عنوان پایان‌نامه
ارائه مبتنی بر تئوری اطلاعات از ارتباطات مغزی با بکارگیری تصویربرداری کارکردی تشدید مغناطیسی حالت استراحت و مقایسه با روش های پیشین : کاربرد در صرع لوب گیجگاهی
- رشته تحصیلی
- مهندسی برق- مهندسی پزشکی - بیوالکتریک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2932;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 74620
- تاریخ دفاع
- ۰۵ خرداد ۱۳۹۵
- دانشجو
- امیررضا فرنوش
- استاد راهنما
- حمید سلطانیان زاده
- چکیده
- طبیعت پیچیده ارتباطات مغزی که متشکل از شبکه‌های محلی به هم مرتبط است نمایانگر اصلی سازمان‌دهی کارکردی آن است. به منظور سنجش وابستگی بین مناطق مختلف مغز، عموماً از معیارهای خطی مثل ضریب همبستگی متقابل استفاده می‌شود. با این وجود از میانه‌های دهه 1980 میلادی، روش‌های غیرخطی مبتنی بر تئوری اطلاعات برای تحلیل سیگنال‌های مغزی مورد توجه فزاینده قرار گرفت چراکه محققان معتقد بودند ویژگی‌های غیرخطی سیستم همودینامیک بر روی سیگنال BOLD اثر می‌گذارد. در این پایان‌نامه مزیت معیارهای مبتنی بر تئوری اطلاعات در تخمین ماتریس ارتباطات کارکردی و در حضور عوامل غیرخطی و نویز مورد بررسی قرار می‌گیرد. همچنین یک معیار اطلاعات متقابل جدید به نام «اطلاعات متقابل درجه دوم» (QMI) ارائه می‌شود که امکان تخمین بهینه‌ی اطلاعات را در ابعاد بالا فراهم می‌کند و در نتیجه می‌تواند برای تحلیل‌های چند-واکسله و چند-سوژه استفاده شود. به علاوه، برای توزیع‌های گوسی رابطه‌ای تحلیلی به دست می‌آوریم که اطلاعات متقابل درجه دوم را به همبستگی متقابل مرتبط می‌کند. سپس برای بهبود و تضمین عملکرد این تخمینگر روشی برای تصحیح بایاس آن بیان می‌شود. به منظور سنجش عملکرد معیار اطلاعاتیِ جدید، سه دسته داده شبیه‌سازی fMRI حالت استراحت بر اساس مدل‌های شناخته‌شده تولید می‌شود. نتایج داده‌های شبیه‌سازی نشان می‌دهد که ضریب همبستگی ماتریس ارتباطات تخمین‌زده‌شده با این معیار با ماتریس ارتباطات واقعی نسبت به تخمین با معیارهای خطی و حتی سایر معیارهای تئوری اطلاعاتی به طور میانگین تا حدود 0.2 بیشتر است و همچنین تخمین این معیار در برابر نویز مقاوم‌تر است. به علاوه، خوشه‌بندی داده‌های شبیه‌سازی بر اساس ماتریس ارتباطات به‌دست‌آمده با این معیار، خطای بسیار کمتری دارد به نحوی که در خوشه‌بندی 100 نقطه‌داده، معیار جدید خطای میانگین 8.47±3.32 نقطه‌داده و معیار ضریب همبستگی پیرسون خطای میانگین 13.09±7.39 نقطه‌داده را دارد. در انتها، با به‌کارگیری این معیار بر روی داده‌های واقعی، ماتریس ارتباطات 90 منطقه AAL را برای 10 سوژه سالم و 10 سوژه مبتلا به صرع به دست آوردیم. بررسی متریک‌های سراسری و محلیِ به‌دست‌آمده از گرافِ ماتریس ارتباطات، تفاوت‌های آماری معنادارتری را بین گروه سالم و بیمار نسبت به معیار شناخته‌شده ضریب همبستگی پیرسون نشان می‌دهد. کلمات کلیدی: تصویربرداری تشدید مغناطیسی کارکردی حالت استراحت، ارتباطات کارکردی، تئوری اطلاعات، اطلاعات متقابل، همبستگی متقابل، تحلیل گراف، صرع لوب گیجگاهی
- Abstract
- The complex nature of brain connectivity containing connected local networks is the primary indicator of its functional organization. Linear measures such as cross correlation are commonly used in the literature to measure the correlation between different brain regions. However, from the mid-1980s information theory-based nonlinear approaches to analysis of brain signals are getting increased interest of researchers who believe that hemodynamic nonlinearities affect BOLD fMRI signals. In this study, we investigate the benefits of using information theory-based measures for estimating functional connectivity matrix in presence of nonlinear effects and noise. Moreover, we introduce a novel measure for estimating mutual information namely “Quadratic Mutual Information” (QMI) which provides the possibility for optimal estimation of shared information even in high dimensions and thus can be used for multi-voxel and multi-subject analysis. In addition, we derive an analytic equation to link the mutual information to the correlation coefficient under the assumption of Gaussian distribution functions for both of the joint and marginal distributions. Then, we suggest a bias correction method to further improve and guarantee the performance of this estimator. In order to evaluate the performance of this new measure against the other measures, we simulate three types of resting state fMRI data based on the known models. The results of testing the measures on the simulated data show that the correlation coefficient between the connectivity matrix estimated with the new measure and its ground-truth is in average up to 0.2 more than that of its estimation with the linear or other information theoretic measures and also its estimation is more robust against noise. Furthermore, the clustering of simulated data based on the connectivity matrix estimated with the new measure has far fewer errors such that in clustering of 100 data points, the new measure has 8.47±3.32 errors on average as compared to 13.09±7.39 errors for the cross correlation measure. Finally, by using this measure on real fMRI data, we estimate the connectivity matrix of 90 AAL regions for 10 healthy subjects and 10 temporal lobe epilepsy patients. The investigation of the global and local graph metrics extracted from the connectivity matrices estimated with the new measure shows more statistical significance for the differences between the control and patient group as compared to that of the Pearson cross correlation. Keywords: Resting State Functional Magnetic Resonance Imaging, Functional Connectivity, Information Theory, Mutual Information, Cross Correlation, Graph Analysis, Temporal Lobe Epilepsy `
