عنوان پایان‌نامه
تحلیل مولفه های اساسی در تصویر برداری کارکردی تشدید مغناطیسی با شرط حصول بیشترین سیگنال به نویز در نگاشت فعالیت
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 46591;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1801
- تاریخ دفاع
- ۰۷ مهر ۱۳۸۹
- دانشجو
- فرانک اکبری فر
- استاد راهنما
- حمید سلطانیان زاده, غلامعلی حسین زاده دهکردی
- چکیده
- چکیده هدف از این پایان¬نامه گسترش روش تحلیلی برای داده تصویربرداری کارکردی تشدید مغناطیسی fMRI برپایه روش تحلیل مؤلفه¬های مستقل ICA بوده است که بتواند بیشترین نسبت سیگنال به نویز SNR را در نگاشت فعالیت خروجی ایجاد کند. تاکنون روش¬های تحلیل مختلفی برای داده fMRI معرفی شده که هریک دارای مزایا و معایب خود است. هدف از یک آزمایش fMRI دست¬یابی به نقشه¬ای است که نواحی فعال مغز را به¬ازای تحریک اعمال شده مشخص کند. به¬علت کم¬بودن ذاتی SNR در داده¬های fMRI تشخیص این نواحی فعال به¬آسانی میسر نبوده و نیازمند روش¬های تحلیل خاصی است که تغییرات اندک ناشی از فعالیت عصبی را آشکار نمایند. در این پایان¬نامه به پیاده¬سازی سه روش تحلیل بر روی داده¬های شبیه¬سازی شده و واقعی fMRI پرداخته¬ایم. روش اول ICA است که به¬طور گسترده در تحلیل داده¬های fMRI از طریق استخراج مؤلفه¬های مستقل آن، مورد استفاده قرار می¬گیرد. این روش این عیب اصلی را دارد که بسیاری از مؤلفه¬های استخراج شده مفهوم فیزیکی خاصی ندارند. در مقابل روش دوم یعنی ICA مقید cICA را داریم که مؤلفه¬های مستقل را با گذاشتن قیدهایی چون شباهت به الگوی تحریک استخراج می¬کند. روش سوم تصاویر سری fMRI را با بردار وزن بهینه¬ای ترکیب کرده و تصویر فعالیتی با SNR ماکزیمم ایجاد می¬کند. روش توسعه¬یافته در این تحقیق، روشی است برپایه ساختار cICA که شرط استفاده شده برای بهینه بودن بردار وزن ترکیب تصاویر را به¬صورت قیدی به تابع هدف ICA اضافه می¬کند. نتایج اعمال این روش بر داده شبیه¬سازی شده گویای این واقعیت است که این روش در تمایز یک ناحیه دارای فعالیت خاص از دیگر نواحی فعال، موفق¬تر از سه روش دیگر عمل کرده و نرخ خطای آن در اغلب موارد کمتر بوده است. مجموعه داده واقعی استفاده شده مربوط به آزمایش تحریک حرکتی انگشتان دست و فعالیت موردنظر، فعالیت نیمکره راست بود و هر چهار روش پیکسل¬های روشن در ناحیه کورتکس حرکتی راست را تشخیص دادند.
- Abstract
- The aim of this thesis is to develop a method, based on Independent Component Analysis (ICA), for functional Magnetic Resonance Imaging (fMRI) data analysis that maximizes the Signal-to-Noise Ratio (SNR) of activation map. Till now, there have been various methods having their own advantages and disadvantages. The goal of an fMRI experiment is to attain a map showing active zones of brain due to the specific stimulation. According to low-SNR nature of fMRI signal, detection of these active zones is not so straightforward and special analysis methods are required to detect small changes of neural activity. Three analysis methods are implemented on simulated and real fMRI data, in this thesis. The first method is ICA that has a wide application in fMRI data analysis by extracting the independent components of data. The main disadvantage of ICA is the extraction of too many components, most of which do not have a physical interpretation. However, we have the second method, constrained ICA (cICA), which puts constraints, such as similarity to the activation pattern, on the components to be extracted. Third method looks for the composite image with maximum SNR and finds an optimum weight vector for mixing individual images. Our proposed method is based upon cICA template and adds the constraint of maximum SNR of activation map to the objective function of ICA. Results of applying this method on simulated fMRI data suggest that this method has successfully specified an active area with a particular activation pattern from other active areas and in most cases its error rate has been lower than other three methods. The analysis methods mentioned above were applied on a real dataset of a finger-tapping experiment and the detected activation was the activation of the right hemisphere of the brain. All methods found active zones in the right motor cortex, as expected.
