Geri Dön

Important issues for brain connectivity modelling by discrete dynamic bayesian networks

Dinamik bayesçi ağı ile yapılan beyin bağlantıları için önemli hususlar

  1. Tez No: 613045
  2. Yazar: SALİH GEDUK
  3. Danışmanlar: PROF. DR. İLKAY ULUSOY
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 145

Özet

Beyindeki altta yatan sinirsel mekanizmaları anlamak için beyin bölgeleri arasındaki etkin bağlantısallığı göz önünde bulundurmak önemlidir. Ayrık Dinamik Bayes Ağları (dDBN), doğrusal olmayan ve olasılıklı doğası nedeniyle beynin etkin bağlantısallığını modellemek için önerilmiştir. Ayrık dinamik Bayes ağını (dDBN) kullanarak beyin bağlantısallığını modellerken, modelin sınırlı beyin görüntüleme verilerine rağmen dahili beyin yapısını doğru bir şekilde yansıttığından emin olmalıyız. Literatürde çok sayıda dDBN yapısı öğrenme uygulamasının bulunmasına ve çoğunun çok sınırlı miktarda veri kullanmasına bağlı olarak, en azından veri sayısına, model karmaşıklığına ve öğrenme yaklaşımına bağlı olan model yakınsaması için bazı gerçekler açıkça belirtilmelidir. Bu tezde, başarılı bir öğrenmeyi garanti eden gerekli sayıda örneği bulmak için dDBN'nin örnek karmaşıklığını analiz ettik. İlk olarak, dDBN yapı öğrenmesi için teorik örnek karmaşıklığını bulduk. Bununla birlikte, teorik örneklem miktarı gerçekçi, pratik ve dDBN için geçerli değildir. Bu nedenle, dDBN için örnek karmaşıklığını analiz etmek için pratik ve sistematik bir yaklaşıma odaklandık. Ayrıca, bilgimiz dahilinde henüz yapılmayan fMRI verileri için denetimsiz ayrıklaştırma yöntemlerini de değerlendirdik. Zamansal ilişkilere sahip sentetik fMRI verileri oluşturduk. Daha sonra, bu veri her bir ayrıklaştırma yönteminin performansını karşılaştırmak için dDBN tarafından etkin bağlantısallığı modellemek için kullanıldı. Üçüncü olarak, sinyal-gürültü oranını iyileştirmek için gerekli olan fMRI verilerinin yumuşatma aşamasını analiz ettik. Deneyler, standart sapması 4 mm olan Gauss fonksiyonu ile fMRI verilerinin yumuşatılmasının, dDBN ile yapılan etkin bağlantısallık göz önüne alındığında uygun olduğunu göstermiştir. Son olarak, bu sonuçları dikkate alarak, şizofreni ve kontrol grubunda beyin bağlantısını modellemek için dDBN kullandık. Sonuçlar, şizofreninin bir kopukluk sendromu olduğunu göstermiştir.

Özet (Çeviri)

To understand the underlying neural mechanisms in the brain, effective connectivity among brain regions is important. Discrete Dynamic Bayesian Networks (dDBN) have been proposed to model the brain's effective connectivity, due to its nonlinear and probabilistic nature. In modeling brain connectivity using discrete dynamic Bayesian network (dDBN), we need to make sure that the model accurately reflects the internal brain structure in spite of limited neuroimaging data. Based on the fact that there are many dDBN structure learning applications in the recent literature and most of them use very limited amount of data, some facts should be made clear at least for the model convergence which depends on the number of data, the model complexity, and the learning approach. In this thesis, we analyzed the sample complexity of dDBN to find the required number of samples that guarantee successful learning. Firstly, we realized that the theoretical sample complexity for dDBN structure learning is not realistic, practical and applicable in practice. Therefore, we also focused on a practical and systematic approach for estimating the sample complexity for dDBN. Secondly, we evaluated the non-supervised discretization methods for functional magnetic resonance imaging (fMRI) data which has not been done yet to the best of our knowledge. We generated synthetic fMRI data that possess temporal relations. Then they were used for modeling effective connectivity by dDBN to compare the performance of each discretization method. Thirdly we analyzed the smoothing step of the fMRI data which is necessary to improve the signal to noise ratio. Experiments suggested that smoothing fMRI data with Gaussian function having a standard deviation to be 4 mm is suitable considering effective connectivity via dDBN. Lastly, by considering these results we used dDBN to model the brain connectivity of schizophrenia and control group. The results signify that schizophrenia is a disconnection syndrome.

Benzer Tezler

  1. Hybridization of probabilistic graphical models and metaheuristics for handling dynamism and uncertainty

    Değişimin ve belirsizliğin ele alınması için olasılıksal çizgesel biçelerin ve sezgi-üstlerinin melezleştirilmesi

    GÖNÜL ULUDAĞ

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞE ŞİMA UYAR

  2. Accelerating molecular docking using machine learning methods

    Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması

    ABDULSALAM YAZID BANDE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    Assist. Prof. Dr. SEFER BADAY

  3. Detection of multistage Alzheimer from 4D FMRI data using deep learning

    4D FMRI'dan multistage Alzheimer'in tespiti derin öğrenmeyi kullanan veriler

    NAWAZISH ALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİstanbul Medipol Üniversitesi

    Elektrik-Elektronik Mühendisliği ve Siber Sistemler Ana Bilim Dalı

    PROF. DR. REDA ALHAJJ

  4. Analyzing effective connectivity of brain using FMRI data: DCM and PPI

    FMRI verileri kullanılarak beyindeki etkili konnektivite analizi: DCM ve PPI

    SİNA MOJTAHEDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2013

    BiyomühendislikOrta Doğu Teknik Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. UĞUR HALICI

    PROF. DR. METEHAN ÇİÇEK

  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