Geri Dön

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

fMRG verilerinin beyin ağları üzerine kurulu hiyerarşik temsili ve çözümlenmesi

  1. Tez No: 474929
  2. Yazar: HAZAL MOĞULTAY
  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: Belirtilmemiş.
  7. Yıl: 2017
  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: 84

Özet

Bu çalışmada, insan beyninin modellenmesi için, fonksiyonel Manyetik Rezonans Görüntüleme (fMRG) verileri kullanılarak oluşturulan iki seviyeli hiyerarşik bir ağ modeli öneriyoruz. İlk seviyede, fMRG verilerinin yapıtaşı olan vokseller üzerinde bir ağ oluşturuyoruz. İkinci seviyede ise, ilk seviyedeki ağ yapısını alt ağlara parçalayarak, homojen beyin bölgeleri elde ediyoruz. Süper voksel adını verdiğimiz bu bölgeleri elde etmek için BrainParcel adını verdiğimiz bir beyin bölütleme algoritması geliştirdik. Son yıllarda insan beynini çizge kuramı kullanarak modellemek önem kazandığı için, BrainParcel de bir çizge parçalama yöntemidir. Bu algoritma, Örgü Ağları Modeli kullanılarak oluşturulan bir beyin ağını parçalayarak beynin alt ağlarını bulmaktadır. Çıktı olarak elde edilen süper vokseller, anatomik beyin bölgelerine bir alternatif oluşturmaktadır ve onlardan farklı olarak doğrusal bağımlı vokselleri bir araya getirmektedir. İkinci seviyede, süper vokseller arası bir örgü ağı kurmaktayız. Böylece, fMRG verilerini ilk seviyesini vokseller arası, ikinci seviyesini ise süper vokseller arası bir çizgenin oluşturduğu iki seviyeli hiyerarşik bir yapı içerisinde göstermekteyiz. Bu hiyerarşik yapının bilişsel süreçlerisunum gücünü ölçmek amacıyla Cognitive Learner adını verdiğimiz bir topluluk öğrenme mimarisi önermekteyiz. Bu mimari, insan beyni deşifresi üzerine çalışmakta olup, bilişsel süreçleri sınıflandırmaktadır. Cognitive Learner bir nesne tanıma problemi sırasında elde edilen fMRG verileri üzerinde denenmiştir. Sonuçlar göstermektedir ki, BrainParcel Cognitive Learner ile birlikte kullanıldığında beyin çözümlemesi için sınıflandırma performansını arttırmaktadır.

Özet (Çeviri)

In this study, we propose a hierarchical network representation of human brain extracted from fMRI data. This representation consists of two levels. In the first level, we form a network among the voxels, smallest building block of fMRI data. In the second level, we define a set of supervoxels by partitioning the first level network into a set of subgraphs, which are assumed to represent homogeneous brain regions with respect to a predefined criteria. For this purpose, we develop a novel brain parcellation algorithm, called BrainParcel. As current literature tends to represent human brain as a graph, BrainParcel adopts this approach. The suggested algorithm partitions a brain network, called mesh network using a graph partitioning method. The supervoxels obtained at the output of BrainParcel form partitions of brain as an alternative to anatomical regions (AAL). Compared to AAL, supervoxels gather the linearly dependent voxels. As the next step, we form a mesh network among the supervoxels. Therefore, we represent fMRI data by two networks of different granularity. The first network is at voxel level, whereas the second is at supervoxel level. In order to test the representation power of this two level network, we suggest an ensemble learning architecture, called Cognitive Learner. The suggested ensemble learning method is used in brain decoding problem, where we classified the cognitive states. The results applied on an object recognition problem show that the suggested BrainParcel algorithm together with Cognitive Learner has a better representation power on brain decoding in terms of classification accuracy.

Benzer Tezler

  1. Multi-subject brain decoding using deep learning techniques

    Derin öğrenme yöntemlerini kullanarak çok denekli beyin okuma

    BURAK VELİOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2016

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. FATOŞ TUNAY YARMAN VURAL

    YRD. DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ

  2. A computational model of the brain for decoding mental states from fMRI images

    FMRI görüntülerinden zihinsel durumların çözümlenmesi için hesaplamalı bir beyin modeli

    SARPER ALKAN

    Doktora

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişsel Bilim Ana Bilim Dalı

    PROF. DR. FATOŞ TUNAY YARMAN VURAL

  3. Obtaining high fidelity images using distance constrained adaptive hierarchical vector coding

    Uzaklık ölçütünü kullanan uyarlamalı hiyerarşik vektör kodlamasıyla yüksek doğrulukta resimler elde edilmesi

    RAHMİ CEM ÇEVİKBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    1997

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    PROF. DR. KHALİD SAYOOD

  4. Sayısal hücre görüntülerinin kodlanması ve nicel analizi

    Coding and quantitative analysis of the digital cell images

    NEŞE APAK

    Yüksek Lisans

    Türkçe

    Türkçe

    1993

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. MUHİTTİN GÖKMEN

  5. Feminist perspektiften mimarlık pratiğine bakış

    A feminist perspective of architectural practice

    HANDE KALENDER

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. MELTEM AKSOY