Funkcionális konnektivitás vizsgálata fmri adatok alapján

Átírás

1 Funkcionális konnektivitás vizsgálata fmri adatok alapján

2 Képalkotási technikák 4 Log Resolution (mm) 3 Brain EEG & MEG fmri TMS PET Lesions 2 Column 1 0 Lamina -1 Neuron -2 Dendrite -3 Synapse -4 Mikrolesions Optical Imaging Multi-unit Single cell Patch clamp millisecundum sec min hour day Log time (sec) 6 7 year 8

3 Az MRI alapelve Beállítjuk a mágneses spineket egy irányba Merőlegesen ráadunk egy rádiófrekvenciás mágneses impulzust A spin megpendülését mérjük

4 Strukturális képalkotás A mágneses előfeszítés ereje lineárisan nő egy irányba A mért mágneses impulzus frekvenciája függ a gradiens dimenziója szerinti pozíciótól Körbefordítjuk a mérést Z irányban szeleteket készítünk

5 Diffusion Tensor Imaging Az axonrostok mentén áramló vizet lehet látni Strukturális összeköttetések Irányítás nélkül

6 Funkcionális képalkotás A véroxigénszint változásait látjuk (BOLD) Leképezés a neurális aktivitás és a BOLD között: nemlineáris Balloon model

7 Konnektivitási mértékek Funkcionális konnektivitás Korreláció a voxelek között Rengeteg adat, muszáj szűrni valahogy Irányítatlan vagy irányított mérték (pl. feltételes kölcsönös információ) Effektív konnektivitás Regions of interest (ROI): kiválasztásuk anatómiai vagy funkcionális úton történik Modellt használunk az összeköttetési erősséget becslésére

8 Statisztikai modellezés Rejtett változós generatív modellek x = f x, u, f y= x, Megfigyelt változók: y,u Véletlenszerűség bevezetése Zaj Véletlen állapotváltozók Véletlen paraméterek Modellinverzió Rejtett változók eloszlása Paraméterek eloszlása Paraméterek becslése

9 Konnektivitási modellek becslése Rejtett változós modellek Statisztikai tanulás Modellkiválasztás Dynamic Causal Modelling N x = A i=1 u j B x Cu j y = x, h

10 Paraméterbecslés likelihood posterior p y, M = prior p y, M p M p y M ={ A, B, C, h } evidence M egy konkrét modell összekötöttségi mintája A priorban állítjuk be, hogy melyik kapcsolatokat engedjük meg Minden eloszlás formája Gauss A poszteriort EM-algoritmus segítségével közelítjük

11 Modellösszehasonlítás Az evidence annak a valószínűsége, hogy az adott modell generálta a mért adatot Alkalmas modelljóság-mérőszámnak A rendszer szabadenergiája az evidence logaritmusának alsó korlátja A szabadenergiát maximalizáljuk a paraméterbecslésre használt EM-algoritmus során F = pontosság - komplexitás

12 A modellek valószínűségi eloszlása 1 1 r Z k k m p mn r = r k p r = k nk k p y n m nk = p y p m nk d Alpha-1 az egyes modellek előfordulása a populációban Az alphák egyre normálva megadják az egyes modellek poszterior eloszlásának várható értékét A hierarchikus modellt variational (EM-szerű) módon lehet invertálni Csak a log-evidence becslésére van szükség

13 Egy példa - skizofrénia Több tünetegyüttes gyűjtőneve Hallucinációk, tévképzetek, memóriaproblémák A biológiai háttér jórészt ismeretlen Egy lehetséges elmélet: szétkapcsoltsági hipotézis A memóriaformáció tudatos irányítása sérül bizonyos agyterületek közötti elégtelen kommunikáció miatt

14 A kísérlet Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport

15 A modelltér definíciója Összekötöttség Anatómiai és funkcionális adatok alapján Bemenetek a kísérleti körülmények alapján Vizsgált modellhalmazok A kontroll áramlás kapcsolatainak kombinációi A bemenetek hatásainak kombinációi

16 Eredmények

17 Lassú tanulás vagy betegség? A skizofrén csoportban lassabb a tanulás A lassú tanulás nem feltétlenül skizofrénia hogy lehet megkülönböztetni? Modellek illesztése az egészséges, de lassan tanuló alanyokra A teljesítményük nem jobb, mint a skizofrén csoporté A modellek valószínűségi eloszlása az egészséges csoportéval azonos alakú