FenixEdu™

Dissertação

{pt=Stochastic techniques for modelling brain connectivity in neuroimaging} {} EVALUATED

Detalhes: {pt=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. , en=A fundamental question in neuroscience is how different brain areas communicate with each other. Dynamic Causal Modelling (DCM) is a generic formalism to study effective brain connectivity based on neuroimaging data, particularly functional magnetic resonance imaging (fMRI). The interactions between neuronal activity at different brain areas areas are modelled as a first-order differential equation plus a generative model of how the neuronal activity is transformed into the measured fMRI signal - through the haemodynamic response function (HRF). The problem of discriminating between different structures of connectivity can be solved by state-of-the-art Bayesian methods, whereby parameter estimation is followed by model selection. These methods are computationally expensive and may converge to parameter values that are valid only for a particular dataset. In this thesis, the well-known multiple model kalman filter (MMKF) is applied in a number of different ways to perform model selection in an efficient manner, upon simulated data from models with different connectivity structures. The problem of estimating the HRF is first addressed and the methodology is then extended to the full problem of estimating the DCM. The results show that the MMKF seems to be very accurate at choosing the correct connectivity structure between two parametrized models, even taking into account the output non-linearity (the HRF). In conclusion, this work provides the first demonstration of the applicability of MMKF approaches to the problem of estimating effective brain connectivity based on DCM for fMRI. }
Keywords: {pt=fMRI, Dynamic Causal Modelling, Estimação Multi-Modelo, Filtro de Kalman, en=fMRI, Dynamic Causal Modelling, Multiple Model Estimation, Kalman Filter}

Discussão: novembro 28, 2011, 10:0