Die funktionelle Entwicklung des menschlichen Gehirns weist eine hohe Variabilität zwischen Individuen auf und wird durch Faktoren, wie die genetische Prädisposition, Umwelteinflüsse, und individuellen Lernfortschritt beeinflusst. Eine weitgehend zugängliche Bildgebungsmodalität ist die sogenannte resting-state funktionelle Magnetresonanztomographie(rs-fMRT). Diese ist ein nicht-invasives bildgebendes Verfahren, welches detaillierte Informationen über die Gehirnaktivität abbildet. Analysen von pädiatrischen rs-fMRT Daten sind vergleichsweise anspruchsvoll, da sich Kinder während der Aufnahme im Scanner tendenziell mehr bewegen. Bereits kleine Bewegungen während der fMRT-Aufnahme können zu fehlerhaften Intensitätsveränderungen führen. Diese können in nachfolgenden Analysen zu fehlerhaften Ergebnissen führen. Zusätzlich müssen Modellierungsansätze, unabhängig von der individuellen Variabilität, die generellen Trends der funktionellen Entwicklung erfassen. Die folgende Arbeit beschäftigt sich mit der Entwicklung eines Frameworks zur Analyse von funktioneller Entwicklung im menschlichen Gehirn, um die genannten Schwierigkeiten zu überwinden. Zunächst wird eine Pipeline, die der Vorverarbeitung von pädiatrischen Daten dient, entwickelt. Diese wird in Bezug auf ihre Fähigkeit bewegungsinduzierte Artefakte zu entfernen evaluiert. Außerdem wird ein Graph-basierter Variational Autoencoder (VAE) entwickelt, um Representation Learning auf Gehirngraphen anzuwenden. Diese Gehirngraphen werden von rs-fMRT Daten in der Altersgruppe von 7.5 bis 18.5 Jahren konstruiert. Zusätzlich wird ein Graph-basierter konditioneller VAE entwickelt, mit dem Ziel die Representation Learning Fähigkeiten des VAE zu optimieren. Die beiden Modelle werden in weiterer Folgeeinem Bayes’schen Regressionsmodel gegenübergestellt. Insgesamt werden drei Aspekte der VAEs evaluiert: Zunächst wird die mittlere quadratische Abweichung und eine auf Korrelation basierende Fehlermetrik verwendet um die Rekonstruktionsfähigkeit der beiden VAEs zu quantifizieren. Des Weiteren werden altersspezifische Datensätze, welche von den Modellen generiert wurden, mittels der Maximum Mean Discrepancy (MMD), basierend auf Graphstatistikverteilungen analysiert. Zuletzt werden die Fähigkeiten der Modelle Entwicklungstrajektorien zu erfassen mittels Network Based Statistic (NBS)evaluiert. Dies ist eine Methode um statistisch signifikante Unterschiede zwischen zwei rs-fMRT Datensätzen zu finden. Die Resultate zeigen, dass die Entwicklungsvorgänge in dem Testdatensatz nicht vollständig mit den genannten Methoden modelliert werden können. Auch verbessert die zusätzliche Verwendung des Alters im konditionellen VAE die representation learning Fähigkeit nicht. Allerdings können bestimmte Trends, wie die kontinuierliche Entwicklung des Default Mode Network (DMN), durch den Graph-basierten VAE erfasst werden.
de
The functional development of the human brain exhibits high inter-subject variability, which is influenced by factors such as genetic predisposition, environmental influences and individual learning experiences. A broadly accessible imaging modality for analysis of the brain's functional development is found in rs-fMRI, a non-invasive imaging technique covering the whole brain. However, analysis of rs-fMRI data in the context of developmental studies is challenging. Compared to adults, paediatric cohorts show higher in-scanner movement, which leads to erroneous intensity changes in the signal. Such artefacts, if not accounted for, lead to systematic errors in subsequent rs-fMRI analysis. Furthermore, approaches for developmental rs-fMRI analysis must be able to capture general trends rather than individual differences due to inter-subject variability. In this work, a framework for analysis of the topological properties of the developing brain is presented. First, a paediatric preprocessing pipeline is developed and evaluated for its performance in removing in-scanner-movement-related artefacts. Second, an adaption of the graph-based Variational Autoencoder (VAE) is developed for representation learning on brain graphs derived from developmental rs-fMRI data in the age range of 7.5 to 18.5 years. Additionally, a graph-based conditional VAE is proposed, with the goal to enhance the VAE representation learning abilities. Furthermore, the VAEs are compared to a Bayesian regression baseline. The evaluation of the VAE-based approaches is threefold: First, the models' brain graph reconstruction capabilities are evaluated in terms of the Mean Squared Error (MSE) and a correlation-based error measure. Second, the quality of datasets generated by the models is measured in terms of Maximum Mean Discrepancy (MMD) based on graph statistics distributions. Finally, the ability to capture developmental trajectories of a developmental dataset is investigated by statistical analysis using Network Based Statistic (NBS) Results show that the developmental processes available in the used dataset cannot be modelled exactly by the presented modelling approaches. Additionally, extending the VAE with a condition does not improve its representation learning capabilities. However, trends, such as the continuous development of the Default Mode Network (DMN), are captured successfully by the graph-based VAE.
