Data driven analysis of brain activity and functional connectivity in fMRI
Explorative Datenanalyse und Identifikation funktioneller Konnektivität aus fMRT-Daten
by Silke Dodel
Date of Examination:2002-12-20
Date of issue:2003-12-18
Advisor:Prof. Dr. Theo Geisel
Referee:Prof. Dr. Theo Geisel
Referee:Prof. Dr. Ulrich Parlitz
Files in this item
Name:dodel.pdf
Size:11.5Mb
Format:PDF
Description:Dissertation
Abstract
English
In this thesis the perspectives of statistical and graph-theoretical methods for the analysis of fMRI data are investigated. This involves preprocessing, extraction of components, functional connectivity and analytical derivations.The main emphasis is on functional connectivity for which we develop a graph theoretical framework based on correlation matrices. The framework is completely data driven and does not rely on previously defined regions of interest. Furthermore, it takes into account both undelayed and delayed correlations, thereby identifying temporal relationships between functional units. The approach is not restricted to fMRI but can be used also in other imaging modalities, including EEG and MEG. It is shown that by using this approach interesting network structures of functional units can be extracted, which could provide a basis for large scale modeling of brain function.The graph theoretical approach is based on local properties of the data, in contrast to global multivariate data driven methods such as principal and independent component analysis, which are described earlier in this thesis. These methods are analyzed with respect to their ability to separate identifiable brain activity from noise and compared with commonly used stimulus-driven methods. Furthermore, the analysis based on image vectors is compared with the analysis based on time course vectors, and in the case of PCA analytical conditions for equality of the two aspects are derived. In addition, the intrinsic dimension of the data is estimated by using random matrix theory.Other contributions include a semi-automatized algorithm to extract the brain area from MR images, an approach to quantify head movements and brain pulsations, and an analytical derivation of the probability density of the sample correlation of a finite Gaussian independent identically distributed (i.i.d.) sample with a fixed reference using high dimensional spherical coordinates.
Keywords: functional connectivity; graph theory; magnetic resonance imaging; fmri; pca
Other Languages
In dieser Dissertation werden statistische und graphentheoretische Methoden für die Analyse von fMRT-Daten (fMRT: funktionelle Magnetresonanztomographie) untersucht. Dies beinhaltet sowohl die Vorverarbeitung der Daten als auch die Extrahierung von Aktivitätskomponenten, sowie die Untersuchung von funktioneller Konnektivität und analytische Ableitungen.Der Hauptaugenmerk liegt dabei auf funktioneller Konnektivität, für deren Analyse wir ein graphentheoretisches Verfahren entwickelt haben, das auf Korrelationsmatrizen basiert. Das Verfahren ist vollständig datengetrieben und benötigt keine vorab definierten Areale (ROI: regions of interest). Darüber hinaus bezieht es sowohl gleichzeitige als auch zeitverschobene Korrelationen mit ein, und identifiziert so zeitliche Beziehungen zwischen funktionellen Einheiten. Der Ansatz ist nicht auf fMRT-Daten beschränkt, sondern kann auch für Daten von anderen bildgebenden Modalitäten, z.B. der Elektroenzephalographie (EEG) und der Magnetenzephalographie (MEG), verwendet werden. Es wird gezeigt, daß es dieses Verfahren erlaubt, interessante Netzwerkstrukturen von funktionellen Einheiten zu extrahieren, die eine Grundlage für die großskalige Modellierung von Hirnfunktionen bilden könnten.Der graphentheoretische Ansatz basiert auf lokalen Eigenschaften der Daten. Im Gegensatz dazu stehen multivariate explorative Methoden, wie die Hauptkomponentenanalyse (PCA) oder die Analyse der statistisch unabhängigen Komponenten (ICA), die globale Eigenschaften der Daten extrahieren. Diese werden am Anfang dieser Dissertation ebenfalls beschrieben. Die multivariaten Methoden werden analysiert im Hinblick auf ihre Kapazität, identifizierbare Gehirnaktivität von Rauschen zu trennen und werden verglichen mit häufig verwendeten stimulus-getriebenen Verfahren. Darüber hinaus vergleichen wir die Analyse der Bildvektoren mit der Analyse der Zeitverläufe und leiten im Fall der Hauptkomponentenanalyse analytische Bedingungen für die Gleichheit der beiden Aspekte ab. Ferner wird die intrinsische Dimension der Daten mit Hilfe der Theorie der Zufallsmatrizen (RMT) abgeschätzt.Weitere Beiträge in dieser Dissertation sind ein halbautomatischer Algorithmus, der den Bereich des Gehirns aus MRT-Bildern extrahiert, sowie ein Ansatz, um Kopfbewegungen und Pulsationen des Gehirns zu quantifizieren, und eine analytische Ableitung der Stichprobenkorrelation einer endlichen, statistisch unabhängigen, identisch gaußverteilten Stichprobe mit einem festen Referenzvektor unter Benutzung von hochdimensionalen Kugelkoordinaten.
Schlagwörter: Funktionelle Konnektivität; Graphentheorie; Kernspinresonanztomographie; mrt; Hauptkomponentenanalyse; 530 Physik