Publication detail

Dynamické kauzální modelování: extrakce vhodných hemodynamických signálů z fMRI dat

Original Title

Dynamické kauzální modelování: extrakce vhodných hemodynamických signálů z fMRI dat

Czech Title

Dynamické kauzální modelování: extrakce vhodných hemodynamických signálů z fMRI dat

Language

cs

Original Abstract

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.

Czech abstract

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.

BibTex


@inproceedings{BUT103621,
  author="Martin {Lamoš} and Jana {Klímová} and Michal {Mikl} and Martin {Gajdoš} and Jiří {Jan}",
  title="Dynamické kauzální modelování: extrakce vhodných hemodynamických signálů z fMRI dat",
  annote="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.",
  booktitle="Sborník příspěvků workshopu Nové směry v biomedicínském inženýrství",
  chapter="103621",
  howpublished="print",
  year="2013",
  month="november",
  pages="53--62",
  type="conference paper"
}