Geri Dön

Clustering functional mri data using a robust unsupervised learning algorithm

Fonksiyonel mrı verilerinin gürbüz denetimsiz algoritması ile kümelendirilmesi

  1. Tez No: 476034
  2. Yazar: HADEEL KASSIM WADI AL-JOBOURI
  3. Danışmanlar: DOÇ. DR. İLYAS ÇANKAYA
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2017
  8. Dil: İngilizce
  9. Üniversite: Yıldırım Beyazıt Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 144

Özet

Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI), kandaki oksijen seviyelerini hesaplayarak ve bir dizi 3 – boyutlu görüntü oluşturarak beyin aktivitesini incelemede sinir bilimciler için güçlü bir araç olmuştur. Kümeleme yaklaşımı model içermeyen bir analizdir; bu yaklaşım, klasik ve istatistiksel Genel Doğrusal Model (GLM) olarak, aktivasyon desenleri veya deney hakkında önceden bilgi sahibi olmaksızın beyindeki aktif bölgeleri tanımlama özelliğine sahiptir. Bu araştırmanın amacı, tüm beyinin işlevsel bağlantı veri analizinde en iyi performansı elde etmeye yönelik uygun bir kümeleme yöntemi seçmek için çözüm bulmaktır. Bu çalışmada, gerçek bir işitsel fMRI veri setine ve Güçlü Artan Sinirsel Gaz (RGNG) algoritması kullanımına dayanan yeni ve güçlü bir denetimsiz öğrenme yöntemi önerilmiştir. Bu çalışmanın başlıca katkısı, NG ve GNG algoritmalarıyla mukayese ederek, daha önce bu amaç için veya başka herhangi bir uygulamada kullanılmayan RGNG algoritmasının fMRI veri setleri ile iç içe kullanılmasıdır. GLM'ne dayalı İstatistiksel Parametrik Eşleme (SPM) paketi kullanarak model tabanlı veri analizi yöntemi ile diğer bir karşılaştırma daha yapılmıştır. Çıktı sonuçları, önerilen RGNG yönteminin, Minimum Tanımlama Uzunluğu (MDL) ve Alıcı İşletimsel Özellikler (ROC) analizi ile ölçülen performanslarıyla ortaya konduğu üzere, diğer yöntemlerden açık ara daha üstün olduğunu göstermektedir. fMRI veri analizi için MATLAB tabanlı bir Grafiksel Kullanıcı Arayüzü (GUI) yazılım paketi olarak tasarlanmış ve uygulanmıştır. Bu çalışmada, sinirbilimi araştırmacılarının verilerini analiz edebilecekleri ve kolayca erişebilecekleri yeni bir model geliştirilmiştir. Önerilen bu model, fMRI veri setinin daha iyi yorumlanması için nörolog ve psikologlara yardımcı olabilecektir.

Özet (Çeviri)

Functional Magnetic Resonance Imaging (fMRI) has provided neuroscientists with a powerful tool to examine brain activity by calculating the levels of oxygen in the blood and generates a sequence of 3-D images. Clustering approach is a model-free analysis; it has the ability of defining the active zones in the brain without the need of prior knowledge about activation patterns or experiment as the classical and statistical General Linear Model (GLM) method. The goal of this proposal is to find a solution for choosing an appropriate clustering approach to obtain the best performance for whole brain functional connectivity by means of data analysis. In this work, a novel and robust unsupervised learning approach is proposed; it relies on using a Robust Growing Neural Gas (RGNG) algorithm into a real auditory fMRI dataset. The main contribution of this work is running the RGNG algorithm into fMRI dataset with a comparison to NG and GNG algorithms, which is not used for the purpose yet or any other applications also. Another comparison has been done with the model-based data analysis approach using a Statistical Parametric Mapping (SPM) package which is based on GLM. The output results demonstrate that the presented RGNG approach is clearly superior to other approaches as revealed by their performance measured by Minimum Description Length (MDL) and Receiver Operating Characteristic (ROC) analysis. A MATLAB-based graphical user interface (GUI) tool is designed and implemented as a software package for fMRI data analysis. A new model for neuroscience data analysis is developed in this work which is easily accessible by researchers. The proposed work could help the neurologist and psychologist for better interpretation of fMRI dataset.

Benzer Tezler

  1. Otomatik gürbüz bölütleme ile uyluk MR imgelerinde kas ve yağ miktarlarının belirlenmesi

    Quantification of muscle and fat volumes in the thigh MR images using automatic robust segmentation

    İSMAİL IRMAKÇI

    Doktora

    Türkçe

    Türkçe

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AYDOĞAN SAVRAN

    YRD. DOÇ. DR. ULAŞ BAĞCI

  2. Dinlenme durumunda fonksiyonel MRI sinyallerinin analizi

    Analysis of resting-state functional MRI signals

    ETERİ REYYAN BABALI

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Biyomühendislikİstanbul Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AYTEN KUNTMAN

  3. Analysis of magnetic resonance imaging data for diagnosis and for understanding brain dynamics

    Teşhis ve beyin dinamiklerinin anlaşılması için MRI verisinin incelenmesi

    DİLEK BERBER

    Yüksek Lisans

    İngilizce

    İngilizce

    2004

    Elektrik ve Elektronik MühendisliğiDokuz Eylül Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF.DR. CÜNEYT GÜZELİŞ

  4. Graph theory to study complex networks in the brain

    Beyindeki kompleks ağları analiz etmek için graf teorisi

    MITE MIJALKOV

    Doktora

    İngilizce

    İngilizce

    2018

    Bilim ve Teknolojiİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı

    YRD. DOÇ. DR. GIOVANNI VOLPE

  5. Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting

    Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma

    NADA CHAARI

    Doktora

    İngilizce

    İngilizce

    2021

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE CAMGÖZ AKDAĞ

    DR. ÖĞR. ÜYESİ ISLEM REKIK