FenixEdu™

Dissertação

Stochastic techniques for modelling brain connectivity in neuroimaging EVALUATED

Detalhes: Uma questão fundamental em neurociência é a forma como diferentes áreas do cérebro comunicam entre si. Dynamic causal modelling (DCM) é um formalismo para estudar a conectividade efectiva do cérebro, particularmente ressonância magnética funcional (fMRI). As interações da atividade neuronal em diferentes áreas cerebrais são modeladas por uma equação diferencial de primeira ordem e um modelo da conversão da actividade neuronal no sinal fMRI medido - através da resposta hemodinámica (HRF). A discriminação entre diferentes estruturas de conectividade pode fazer-se usando métodos Bayesianos recentes, em que a estimação de parâmetros precede a seleção de modelos. Estes métodos são dispendiosos a nível computacional e podem convergir para valores de parâmetros que só são válidos para um conjunto de dados particular. Nesta tese, o filtro Kalman multi-modelo (MMKF) é usado para seleção de modelos eficiente em dados simulados por modelos com conectividades diferentes. O problema de estimar a HRF é tratado em primeiro lugar e a metodologia é alargada à estimaçao do DCM. Os resultados mostram que o MMKF parecer ser bastante preciso na escolha da estrutura de conectividade entre dois modelos parametrizados, mesmo tendo em conta a não linearidade da saída (a HRF). Em conclusão, este trabalho fornece a primeira demonstração da aplicabilidade de abordagens MMKF ao problema de estimar a conectividade efectiva do cérebro com base no DCM para fMRI.
Keywords: fMRI, Dynamic Causal Modelling, Estimação Multi-Modelo, Filtro de Kalman

Discussão: novembro 28, 2011, 10:0