Funkcionális konnektivitás vizsgálata fmri-adatok alapján

Méret: px

Mutatás kezdődik a ... oldaltól:

Download "Funkcionális konnektivitás vizsgálata fmri-adatok alapján"

Alexandra Gáspár
5 évvel ezelőtt
Látták:

1 Funkcionális konnektivitás vizsgálata fmri-adatok alapján Bányai Mihály Neuroinformatika 2014.

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

3 Az aktivitás lokalizációján túl Interakció az aktív területek között! Funkcionális részhálózatok! Még mindig adatelemzés, nem funkcióvezérelt (algoritmikus) modellezés

4 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

5 Uncertainty Observations tend to be noisy! Some physical quantities vary! A single measure: variance! Not always enough: multimodal observations! Histograms

6 Probability A consistent way to handle uncertainty! Interpretations! frequency of an outcome! level of ignorance of an observer! The probability of getting either outcome A or B is p(a)+p(b), if they are mutually exclusive! The probabilities of all mutually exclusive outcomes sum up to 1! The probability of observing certain outcomes of two independent events is p(a)p(b)

7 Conditional probability p(a B) = p(a, B) p(b) What is the probability of A if we know that B happened?! Bayes theorem for inverting conditionals p(a B) = p(b A)p(A) p(b)

8 Probability distributions Random variables! Discrete! how probable are certain values! uniform, multinomial! Continuous! how probable is that a value falls into an interval! uniform, Gaussian, lognormal

9 Joint and marginal distributions p(x, y) Handling two or more variables together! Integrating out variables from a joint distribution p(x) = Z 1 1 p(x, y)dy

10 A probabilistic model The likelihood describes how likely is that the data was generated from a parameter setting, incorporates the functional form of the model! The prior encodes our preliminary knowledge about the parameters! Hidden variables make explicit assumptions about causes or covariants we do not observe Posterior Likelihood Prior p( D, M) = p(d,m)p( M) p(d M) Evidence or marginal likelihood

11 Graphical models Directed, undirected or bipartite graphs! Independence relations between variables! General algorithms exist for inference and learning

12 How to choose distributions? To fit observations, if possible! Computational tractability! Gaussian is often preferred! choose form of prior to combine with likelihood yielding the same form: conjugate prior! To minimize bias (max. entropy)! Avoidable (somewhat)! nonparametric models! Hierarchical models - still have to choose later

13 No free lunch We can t find a method that fits any dataset arbitrarily well! To achieve good fit (and to make sense) knowledge about the problem has to be incorporated! With hierarchical models, at some point you have to have a fixed distribution or a point estimate of a parameter

14 Generation We can create synthetic data from a probability model! It will be distributed according to the marginal distribution of the visible variables! Ancestral sampling! we first generate random values for the hidden variables! then apply the stochastic rule of the model to generate the visibles

15 Inference p(x,y) Distribution of the hidden variables given the observations and the parameters! Inferring the hidden causes that produced the data

16 Learning p( y) Distribution of the parameters given the observations! Fitting the model to data! Involves inferring the hidden variables, and then integrating them out

17 Prediction p(y t+1,y 1...t ) Distribution of future observables given past ones (and maybe some part of the future ones too)

18 Testing hypotheses Frequentist tests! what does it mean that p < 0.05 for a t- test?! Bayesian inference! posterior probability of everything! assumptions are more explicit! we can formulate the probability of a hypothesis being true or make predictions! calculations are more complicated

19 Iterative estimation We often cannot infer hidden variables in one step! Iterative schemes make step-by-step improvements to approximate true posteriors! Natural systems might implement such schemes

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

21 Paraméterbecslés posterior likelihood prior p y, M = 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

22 A modellek valószínűségi eloszlása p r = 1 Z k m p m n r = r nk k k p y n m nk = p y p m nk d r k k 1 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

Egy példa - skizofrénia Több tünetegyüttes

szétkapcsoltsági hipotézis A memóriaformáció

23 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

24 A kísérlet Hely-objektum asszociáció tanulása Tanulási és visszakérdezési sorozatok egymás után Skizofrén és kontroll csoport 24

25 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 25

26 Eredmények

27 Human Connectome Project Rengeteg nyilvános adat! Strukturális és funkcionális mérések! Taskok és resting state! Feldolgozott adatsorok

Hasonló dokumentumok

Funkcionális konnektivitás vizsgálata fmri adatok alapján

Funkcionális konnektivitás vizsgálata fmri adatok alapján 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