Perl, J. (2012). Detecting and characterizing interactions within multivariate brain activity [Diploma Thesis, Technische Universität Wien]. reposiTUm. http://hdl.handle.net/20.500.12708/161087
funktionelle Konnektivität; BOLD fMRI; Random Forest; Sprachverarbeitung im menschlichen Gehirn
de
functional connectivity; BOLD fMRI; random forest; language in neuroscience; cognitive language processing; human brain
en
Abstract:
Das bildgebende Verfahren der funktionellen Magnetresonanztomographie (fMRI) erlaubt es physiologische Prozesse des Körperinneren darzustellen. Durch die Messung von Schwankungen der Blutoxygenierung verschiedener Gehirnregionen ist weiters eine indirekte Bestimmung von neuronaler Aktivität möglich. Die Detektion von Hirnarealen mit neuronaler Aktivität erlaubt es kognitive Prozesse zu untersuchen und Lokalisation, Ausmaß und Zusammenhang der Regionen zu bestimmen. FMRI ist daher ein sinnvolles Werkzeug, das die Untersuchung von funktionellen Abläufen im Gehirn ermöglicht. In dieser Arbeit wird ein Ansatz vorgestellt, der komplexe Zusammenhänge zwischen räumlich entfernten Gehirnregionen erkennt. Mit Hilfe von Random Forest (RF), einem Klassifikator der aus einzelnen Entscheidungsbäumen besteht, werden die fMRI Daten analysiert. Die Informationen die sich in einem trainierten RF-Klassifikator befinden, werden verwendet um aktivierte Gehirnareale, sowie deren Zusammenhang zu extrahieren. Durch die Verwendung von RF werden die hochdimensionalen fMRI Daten effizient verarbeitet und zusätzlich ist kein aufwändiges Optimieren von Parametern notwendig. Außerdem werden durch den Klassifikator multivariate Aktivierungen erfasst, was zu einer gesteigerten Empfindlichkeit gegenüber traditionell univariaten Ansätzen führt. Die vorgestellte Methode ist datenbasiert, weshalb kein Vorwissen aus dem Gebiet der Neurowissenschaft erforderlich ist. Das entwickelte System wurde einerseits mit synthetischen Daten evaluiert, andererseits wurden auch klinische fMRI Daten von vier Probanden verwendet. Die klinischen Daten wurden während verschiedener Sprachaufgaben aufgenommen. Die Resultate zeigen, dass RF ein geeignetes Werkzeug für die Analyse von funktionellen Gehirndaten darstellt. Weiters wurde gezeigt, dass komplexe Zusammenhänge zwischen verschiedenen Gehirnarealen entdeckt wurden. Diese funktionellen Konnektivitäten sind als orthogonal zu bisher verwendeten Methoden zu sehen, welche auf Korrelation basieren.
Functional Magnetic Resonance Imaging (fMRI) is a medical imaging method which allows for indirect measurement of neuronal activity within the brain by quantifying changes in the blood oxygenation level. The identification of patterns of neuronal activity is essential to be able to study cognitive processes and investigate the location, extent and relationships of activated brain regions. Therefore fMRI provides promising information to analyse the functional organization of the brain. This thesis aims at developing an approach to reveal complex relationships between spatially remote brain regions. For this purpose Random Forest (RF), an ensemble classifier consisting of multiple decision trees, is used to analyse the fMRI data. The information inherent to the RF classifier is used to reveal activated brain regions as well as underlying relationships between the activations identified. The usage of RF has the benefits that high dimensional data can be handled very efficiently and that no tedious parameter tuning is necessary. Furthermore RF is capable to capture multivariate activations, which makes the approach more sensitive than traditional univariate analysis. The method presented in this thesis is a data based approach meaning that no prior knowledge of neuroscience is necessary. The system is evaluated using synthetic data as well as fMRI data of four different subjects acquired during different linguistic tasks. The results illustrate that RF is a suitable tool for the analysis of fMRI data, which inherently are high-dimensional. Furthermore in this thesis it is shown that the proposed system is capable to detect complex relationships between spatially remote brain regions. The functional connections revealed are orthogonal to connections as revealed by state-of-the-art approaches based on correlation.