Geri Dön

An fMRI Segmentation Method Under Markov Random Fields for brain decoding

Zihinsel aktivitelerin çözümlenmesi amacıyla Markov Rasgele Alanları Üzerinde Geliştirilen fMRG Bölütleme Yöntemi

PDF İndir

  1. Tez No: 418291
  2. Yazar: EMRE AKSAN
  3. Danışmanlar: PROF. DR. FATOŞ TUNAY YARMAN VURAL
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Bölütleme, Kümeleme, Manyetik rezonans görüntüleme, Markov rastgele alanları, Segmentation, Clustering, Magnetic resonance imaging, Markov random fields
  7. Yıl: 2015
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışmada fMRG voksellerini“türdeş”bölgelere ayırmak amacıyla f-MRA isimli yeni bir bölütleme metodu önerilmiştir. f-MRA, türdeş voksel bölütlerini bir karışım yoğunluğu çözümleyerek kestirmektedir. Bu amaçla, fMRG çalışmalarında kullanılan tek değişkenli analiz ve çoklu değişkenli analiz teknikleri Markov Rasgele Alan (MRA) aracılığı ile bir arada uygulanmıştır. Tek değişkenli analiz kullanılarak, her bir vokselin diğer voksellerden bağımsız tekil aktivasyon düzeni kestirilmektedir. Vokseller arasındaki yerel etkileşimleri yakalayabilmek için voksellerin komşuları ile olan ikili fonksiyonel benzerlikleri kullanılmıştır. Voksellerin aktivasyon düzenleri tekil özniteliklere karşılık gelmekteyken, vokseller arasındaki fonksiyonel benzerlikler ise ikili öznitelikler olarak tanımlanmıştır. f-MRA, enerji fonksiyonunda her iki öznitelik uzayını bir arada kullanarak, beyindeki vokselleri fonksiyonel olarak türdeş ve uzamsal olarak bütünleşik kümelere ayırabilmektedir. Voksel uzayı, tekil aktivasyon düzenleri üzerinde Gaussian karışım modeli ile modellenmişken; küme etiketleri, ikili fonksiyonel benzerlikler üzerinde Markov Rasgele Alanı olarak tanımlanmıştır. Her bir vokselin küme etiketinin bulunması amacıyla iki adımlı bir yineleme yaklaşımı izlenmiştir. Buna göre, karışım modelinin parametreleri kullanılarak MRA enerji fonksiyonunun en düşük değeri aldığı küme etiketleri kestirilir. Bu küme etiketleri kullanılarak bir sonraki adım için modelin parametreleri tekrar hesaplanır. Yinelemeler sonucunda elde edilen sonuç genellikle, aktiflik göstermeyen vokselleri içeren az sayıda büyük kümeden oluşmaktadır. Aktif vokseller ise çok daha küçük boyutlardaki kümelerde toplanmıştırlar. Voksel uzayının fonksiyonel olarak türdeş parçalara bölünmesi ile datanın temsil gücünün artmasını beklemekteyiz. Bu sebeple, f-MRA yönteminin zihinsel aktivite çözümlenmesi probleminde kullanılmasını önermekteyiz. Buna göre elde edilen türdeş bölgeler, voksel seçimi veya öznitelik çıkarımı adımlarında kullanılabilir. Yapılan karşılaştırmalı testlerde, f-MRA yönteminin diğer yöntemleri sınıflandırma performansı anlamında geçtiği görülmüştür. Ayrıca test sonuçları, zihinsel aktivite çözümlenmesi problemlerinde f-MRA yönteminin performans arttırıcı bir potansiyele sahip olduğunu ortaya koymaktadır.

Özet (Çeviri)

In this study, a specially tailored segmentation method for partitioning the fMRI data into a set of“homogenous”regions with respect to a predefined cost function is proposed. The proposed method, referred as f-MRF, employs univariate and multivariate fMRI data analysis techniques under Markov Random Fields to estimate the segments by resolving a mixture density. The univariate approach helps identifying activation pattern of a voxel independently from other voxels. In order to capture local interactions among the voxels, pairwise functional similarity is used across a neighborhood. By incorporating both the unary and pairwise features of the voxels into the MRF energy function, we achieve to cluster the voxels in the brain into functionally homogeneous and spatially coherent segments. In the proposed study, voxel space is modeled with a Gaussian Mixture Model (GMM) over the univariate activation patterns, while the cluster labels are modeled as discrete Markov Random Field over the pairwise interactions. For estimation of the latent cluster labels, a two-step iterative approach is followed. Accordingly, given the current estimate of the model parameters, cluster labels are computed by using a graph-cut algorithm. In turn, the cluster labels are used to estimate the model parameters by employing maximum likelihood estimation (MLE). The final labeling result generally consists of few large clusters involving the non-activated voxels, and isolates the activated voxels into smaller-sized clusters. By partitioning the voxel space into functionally homogeneous parcels, we expect to increase representative power of the data. Thus, we propose using the f-MRF segmentation in brain decoding tasks where the segments are employed in voxel selection or feature extraction steps. In the experiments that are conducted on the real fMRI data of visual object recognition, f-MRF outperforms compared segmentation methods. Moreover, the results indicate that f-MRF has potential to boost the performance in brain decoding studies.

Benzer Tezler

  1. Tez No

    973352

    Kronik hepatit B ve C tanısı olan hastalarda histopatolojik karaciğer fibrozis evresinin radyomiks analizi ile karşılaştırılması

    Comparison of histopathological liver fibrosis stage in patients diagnosed with chronic hepatitis B and C using radiomics analysis

    ARİFE BULGURCU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Radyoloji ve Nükleer TıpPamukkale Üniversitesi

    Radyoloji Ana Bilim Dalı

    PROF. DR. DUYGU HEREK

  2. Tez No

    1019039

    Bilgisayar görmesi ile saat çizimlerinden dikkat eksikliği ve hiperaktivite bozukluğu tespiti

    Detection of attention deficit hyperactivity disorder from clock drawings using computer vision

    HOMAM W. ALNİDAWİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUHAMMED FATİH ADAK

    DOÇ. DR. ENES SARIGEDİK

  3. Tez No

    474929

    A hierarchical representation and decoding of fMRG data by partitioning a brain network

    fMRG verilerinin beyin ağları üzerine kurulu hiyerarşik temsili ve çözümlenmesi

    HAZAL MOĞULTAY

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATOŞ TUNAY YARMAN VURAL

  4. Tez No

    1013434

    İnfrapatellar fat pad'in (hoffa'nın yastığı) diz içi yaralanmalara etkisi

    The effect of infrapatellar fat pad on intraknee injuries

    FETTAH DENİZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Ortopedi ve TravmatolojiSağlık Bilimleri Üniversitesi

    Ortopedi ve Travmatoloji Ana Bilim Dalı

    DOÇ. DR. YAKUP EKİNCİ

  5. Tez No

    802022

    U-net backbone architectures for 3D segmentation of hippocampus volume in brain MRI

    Beyin MRI'deki hipokampus hacminin 3D bölütlemesi için U-net omurga mimarisi

    FELLA ACHOURI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Mühendislik Bilimleriİstanbul Aydın Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ OKATAN

Geri Dön