FenixEdu™

Dissertação

{en=Joint Detection-Estimation of Brain Activity in fMRI using Graph Cuts} {} EVALUATED

Detalhes: {pt=A aquisição de sinal BOLD (técnica de fMRI) permite a detecção de regiões cerebrais activadas após aplicação de um estímulo externo. Esta técnica é baseada na hipótese de ocorrência de um aumento do metabolismo numa área que é activada, existindo consequentemente um aumento do aporte de oxigénio. Analisar este tipo de sinal é um desafio pois o sinal BOLD tem muito ruído e as suas variações são pequenas em amplitude. Assim, a detecção de correlação temporal necessita de algoritmos estatísticos para decidir se as variações no sinal estão relacionadas com o estímulo aplicado. A abordagem tradicional necessita do ajuste de um parâmetro por um médico tornando-a impossível de ser completamente automática. Nesta tese é descrito um novo método Bayesiano, livre de parâmetros, capaz de detectar áreas cerebrais activadas. Os tradicionais passos de estimação e inferência são realizados em conjunto, de forma a detectar a actividade neuronal (caracterizada por variáveis binárias) simultaneamente com a estimação da função de resposta hemodinâmica (HRF) e a remoção do drift. Por fim, a correlação espacial é modelada com Graph Cuts para melhorar a detecção de actividade cerebral. Esta abordagem traz diversas vantagens visto que a detecção de actividade é realizada iterativamente, beneficiando simultaneamente da estimação adaptativa da HRF e da remoção do drift. O método proposto realiza, ainda, uma estimativa da HRF variante no espaço, importante característica fisiológica. A robustez do algoritmo é demonstrada usando testes sintéticos de Monte Carlo. Por fim, são apresentados exemplos usando dados reais e comparados com os resultados do SPM-GLM., en=The BOLD technique is an fMRI method that allows the detection of brain activated regions after application of an external stimulus. This technique is based on the assumption that the metabolism increases in activated areas as well as the oxygen uptake. Analising this information is a challenging problem because the BOLD signal is very noisy and the task-related signal changes are small in amplitude. Therefore, the detection of temporal correlations with the applied stimulus requires statistical algorithms to understand if the changes on the BOLD signal are related with the applied stimulus. The traditional approach needs the tuning of a parameter by a medical doctor which makes it impossible to be completely automatic. In this thesis, a new Bayesian parameter-free method to detect brain activated areas in fMRI is described. The traditional estimation and inference steps are joint together and the neural activity detection, characterised by binary variables, is obtained simultaneously with an hemodynamic response function (HRF) estimation and a drift removal processing. Finally, a spatial correlation step with Graph Cuts is introduced to improve the detection of brain activity. This approach brings several advantages since the activity detection is performed iteratively, benefiting from the adaptive HRF estimation and drift removal. Moreover, the proposed method succeeds in providing local, space variant HRF estimation, an important physiologic characteristic. Synthetic Monte Carlo tests are performed demonstrating the robustness of the algorithm. Finally, examples using real data are presented and compared with some results from the SPM-GLM. }
Keywords: {pt=fMRI, Modelos Bayesianos, Detecção de Activação, Resposta Hemodinâmica, Correlação Espacial, Remoção de Drift, en=fMRI, Bayesian Models, Activation Detection, Hemodynamic Response, Spatial Correlation, Drift Removal}

Discussão: outubro 30, 2008, 15:0