Dynamické kauzální modelování: extrakce vhodných hemodynamických signálů z fMRI dat

Dynamic Causal Modelling: extraction of propher hemodynamic signals from fMRI data

článek ve sborníku ve WoS nebo Scopus

čeština

Dynamické kauzální modelování (DCM), jako jedna z metod pro analýzu efektivní mozkové konektivity nám umožňuje vyvozovat závěry o neurálních procesech na základě naměřených dat z funkční magnetické rezonance (fMRI). Hlavním cílem je odhadnout parametry modelu neuronálního systému, jehož výstupy co nejpřesněji odpovídají pozorované hemodynamické odezvě. Jelikož DCM nepatří mezi explorativní techniky, je vždy nutné definovat hypotézu, která obsahuje informace o vstupech, vazbách a oblastech mozku. Tato práce se zabývá způsobem extrakce hemodynamických signálů z definovaných mozkových oblastí a vlivem nepřesnosti získání vhodného reprezentanta oblasti na výsledek odhadu modelu DCM. Pro kvantitativní vyhodnocení vlivu nepřesné extrakce jsme navrhli a implementovali simulátor dat založený na DCM modelu. Hlavní zájem spočívá v počtu správně odhadnutých vazeb mezi vybranými částmi mozku definovaného modelu, jehož chování je vyšetřováno pomocí Monte Carlo simulací. Vliv nepřesnosti získání reprezentativních signálů oblastí na výsledek DCM je rovněž prokázán na naměřených datech vizuálního oddball experimentu. Na základě výsledků simulací a analýz naměřených dat můžeme říci, že nepřesná extrakce výrazně ovlivňuje počet správně odhadnutých vazeb a je tedy nutné brát tento jev v potaz při skupinových analýzách vyšetřování efektivní mozkové konektivity.

Dynamic Causal Modelling (DCM), as one of methods for effective brain connectivity analysis allows us making inferences about neural processes that underlie measured functional magnetic resonance imaging (fMRI) data. The main goal is to estimate parameters of the neuronal system model, whose outputs correspond most precisely to observed blood oxygenation level dependent (BOLD) response. As DCM is not exploratory technique, we have to define a hypothesis, which contains information about inputs, connections and brain regions. This contribution deals with a method of signal extraction from defined brain areas and with the effect of inaccurately extracted representative signal from specific brain area on the result of DCM estimation. For quantitative evaluation of the inaccuracy extraction effect we designed and implemented a data simulator based on the DCM model. We are interested in the amount of correctly estimated connections between selected regions of the specific model. Monte Carlo simulations are used for investigation of the model behaviour. The effect is also proved on real measured fMRI data from visual oddball task. Based on the results of simulations and real measured data, we can say that the extraction inaccuracy significantly affects the number of correctly estimated connections and thus it is necessary to take into consideration for group data analysis of effective brain connectivity investigation.

Efektivní mozková konektivita, dynamické kauzální modelování, extrakce reprezentanta, simulace, vizuální oddball, fMRI, MATLAB

Effective brain connectivity, dynamic causal modelling, representative signal extraction, simulation, visual oddball experiment, fMRI, MATLAB

LAMOŠ, M.; KLÍMOVÁ, J.; MIKL, M.; GAJDOŠ, M.; JAN, J.

2013

20. 11. 2013

978-80-214-4814-8

Sborník příspěvků workshopu Nové směry v biomedicínském inženýrství

53

62

10