Assessing deep learning methods for pRF mapping of the visual cortex

Abstract

Die funktionelle Magnetresonanztomographie (fMRT) ist eine nicht-invasive Methode zur Untersuchung von Hirnaktivitätsmustern. Population receptive field (pRF)mapping ist eine standardmäßig angewandte fMRT Methode, um die Repräsentation des visuellen Feldes im visuellen Kortex zu untersuchen. Die konventionelle Methode zur Optimierung des Mappings ist jedoch aufgrund der großen Zahl der Parameter rechnerisch aufwändig und langsam. DeepRF ist eine Methode zur Beschleunigung der Optimierung unter Zuhilfenahme von Deep Learning Algorithmen, die 2019 veröffentlicht wurde. Erste Ergebnisse zeigten, dass diese Methode den Prozess um mehr als drei Größenordnungen beschleunigen kann. In dieser Diplomarbeit wurde das DeepRF Modell als SnapRF nachgebildet, um Limitationen des ursprünglichen Zugangs zu überwinden und um faire Vergleiche mit einer Referenzmethode zu ermöglichen. Im Zuge dessen wurde das Modell in Bezug auf Kontrollmöglichkeiten und Training-Prozeduren erweitert. Die Resultate gründlicher Tests sowie Vergleiche mit der Referenzmethode zeigen, dass SnapRF vergleichbare Ergebnisse bei mehr als zwei Größenordnungen kürzeren Rechenzeiten erbringen kann. Allerdings zeigen die mit SnapRF gewonnenen Parameterabschätzungen höhere Abweichungen als die mittels Standardanalyse erhaltene Ergebnisse. Mögliche Fallstricke an denen die Methode scheitern kann, wie etwa suboptimalem Design der visuellen Stimuli, wurden identifiziert und hervorgehoben. Weiters wurde ein neues Rausch-Modell eingeführt, das auf einer Hauptkomponentenanalyse (PCA) von resting-state fMRT Daten basiert. In dieser Arbeit wird gezeigt, dass dieses Modell hohes Potential für den Einsatz in zukünftigen Simulationen und Studien an empirischen Datensätzen hat. Ein besonders nennenswertes Ergebnis dieser Arbeit zeigt, wie wichtig ein auf spezifische Anwendungen maßgeschneiderter Zugang beim DeepRF-Zugang ist, da nur dann die Vorteile der Methode voll zu Tragen kommen. Um DeepRF als neue Standardmethode für pRF Mapping zu etablieren, mussten weitere Experimente und Untersuchungen angestellt werden, für die Empfehlungen in dieser Arbeit gegeben werden.

Functional magnetic resonance imaging (fMRI) is a non-invasive method for mappingbrain activation patterns. For investigating the representation of visual space on the visual cortex, population receptive field (pRF) mapping is a state-of-the-artfMRI approach. However, the fitting procedure employed by that technique is computationally expensive because of the typically large number of parameters that need to be fitted. In 2019, DeepRF, a method to accelerate the pRF fitting procedure using deep learning algorithms, was introduced, and results showed it to be able to achieve benchmark results at speeds more than three orders of magnitude faster than the conventional method. In this thesis, the machine learning model devised by the original authors of DeepRF was rebuilt as SnapRF to overcome limitations in the original approach and enable fair comparisons with a reference method. Indoing so, improvements were introduced to the model in regards to user control and training procedures. Results of thorough tests and comparisons of SnapRF with standard analysis software have shown SnapRF to be capable of comparable performance at speeds two magnitudes faster than the reference method, albeit with results more prone to error. Possible pitfalls such as suboptimal visual stimulus design were identified and discussed. Additionally, a new noise model based on aprincipal component analysis (PCA) of resting-state fMRI data was introduced and shown to hold promise for future simulation and empirical studies. Importantly, this thesis shows that no "one-size-ts-all" approach is recommended in regards to DeepRF training parameters and instead, careful analysis and comparison of results is emphasized as the most important part of employing the method. Additionally,the thesis includes suggestions for further experiments and research directions that could facilitate the establishment of the DeepRF approach as a standard method inpRF mapping.