Extracting activated regions of brain with FMRI data using a robust unsupervised learning approach
Gürbüz denetimsiz öğrenme yaklaşımı ile beynin aktif bölgelerini FMRI verileriyle çıkarma
- Tez No: 650803
- Danışmanlar: Prof. Dr. İLYAS ÇANKAYA
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 140
Özet
Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) beyin fonksiyonlarının görüntülenmesi için sağlam, noninvaziv ve modern bir tekniktir. Bununla birlikte, fMRI testlerinden elde edilen veriler, çeşitli faktörler nedeniyle doğrudan yorumlanamaz. Bu faktörler, sinyal zayıflığı, fMRI verilerindeki gürültülerden ve ilgi duyulan önemli aktivasyonların diğer türlerden ayrılmasının zorluğudur. Ham fMRI verilerinin karmaşıklığı, görüntü dönüştürme, okuma / yazma ve bilgi çıkarma gibi verilerle çoklu işlemlerin karşılaştığı önemli zorluklara yol açar. Bu engelleri ve zorlukları aşmak için, bu tezde fMRI veri analizi için önerilen bir iş akışı önerilmiştir. DICOM (Tıpta Dijital Görüntüleme ve İletişim) dönüşümünden başlayarak, daha sonra her adımdaki verilerin kalitesini, ön işlemenin ardışık düzen adımlarını kontrol ederek ve fMRI'nin bir postprocessing analizi olarak kümeleme yöntemini önererek biten fMRI verilerinin eksiksiz bir analizini içerir. Sonuç olarak, bu tezin ilk bölümünde, çok formatlı fMRI verilerini görselleştirirken karşılaşılan sorunların çoğunu ele almak için yeni bir dönüşüm ve görselleştirme fMRI (VCfMRI) araç kutusu paketi tasarlanmış ve geliştirilmiştir. Sunulan tasarım tezin ilk önemli katkısıdır. Bu tezde, VCfMRI aracı genişletilmiş ve fMRI verilerinin kapsamlı bir analizini içerecek şekilde güncellenmiştir. Geliştirilen araca CPREPP fMRI adı verilir ve burada ön işlem adımları istatistiksel analize ek olarak eklenir. Bu tezin temel amacı insan beyninin aktivasyon bölgelerini belirlemektir. Bu nedenle, bu amaç için henüz kullanılmamış olan Nöral Gaz (NG) yöntemiyle karşılaştırma için fMRI verilerinde Geliştirilmiş Nöral Gaz (ENG) algoritmasının kullanılmasına dayanan yeni bir denetimsiz öğrenme yaklaşımı önerilmektedir. Bu tezden önemli bir katkı olduğu düşünülmektedir. Önerilen ENG yönteminin performansını fMRI ile değerlendirmek ve istatistiksel parametrik haritalama (SPM) kullanarak bir kümeleme yaklaşımı (NG algoritması) ve model tabanlı veri analizi ile karşılaştırmak için dört doğrulama indeksi uygulanır. Gerçek işitsel fMRI verileri üzerindeki karşılaştırma sonuçları, ENG'nin giriş veri dizisinin sırasına karşı duyarsızlığı, bir dizi nöron seçmek için çeşitli başlatmalar ve aşırı değerlerin (aykırı değerler) nedeniyle NG ve SPM yöntemlerinden daha iyi performans gösterdiğini göstermektedir. ENG tekniği, fMRI verileriyle NG uygulamasının tüm eksikliklerini çözebilir, insan beyninin aktif alanını etkili bir şekilde tanımlayabilir ve ağ öğrenme sürecinde MDL değerine göre küme merkezinin konumlarını belirleyebilir.
Özet (Çeviri)
Functional Magnetic Resonance Imaging (fMRI) is a robust noninvasive and modern technique for imaging of brain functions. However, the acquired data from fMRI experiences cannot be interpreted readily directly due to several factors. These factors are the signal weakness, abounding noises in the fMRI data, and the challenge of separating significant activations of interest from other kinds. The complexity of the raw fMRI data leads to significant challenges faced with multi operations with data, such as image conversion, read/write, and extract information. To overcome these difficulties and challenges, a suggested workflow for fMRI data analysis is proposed in this thesis. It includes a complete analysis of fMRI data, starting from DICOM (Digital Imaging and Communications in Medicine) conversion, then checking the quality of data at each step, pipeline steps of preprocessing, and ending in proposing the clustering method as a postprocessing analysis of fMRI data. Consequently, in the first part of this thesis, a novel conversion and visualization fMRI (VCfMRI) toolbox package is designed and developed to address many of the problems when visualizing multi-format fMRI data. The presented design is the first significant contribution of the thesis. In this thesis, the VCfMRI tool is extended and updated to include a comprehensive analysis of fMRI data. The developed tool is called CPREPP fMRI, in which the preprocessing pipeline steps are added in addition to statistical analysis as well. The main goal of this thesis is to identify the activation regions of the human brain. Therefore, a novel unsupervised learning approach is proposed that relies on using Enhanced Neural Gas (ENG) algorithm in fMRI data for comparison with Neural Gas (NG) method, which has yet to be utilized for that aim. It is considered a significant contribution of this thesis. Four validation indices are applied to evaluate the performance of the proposed ENG method with fMRI and compare it with a clustering approach (NG algorithm) and model-based data analysis using statistical parametric mapping (SPM). The comparison outcomes on real auditory fMRI data show that ENG outperforms the NG and SPM methods due to its insensitivity to the ordering of input data sequence, various initializations for selecting a set of neurons, and the existence of extreme values (outliers). The ENG technique can tackle all shortcomings of NG application with fMRI data, identify the active area of the human brain effectively, and determine the locations of the cluster center based on the MDL value during the process of network learning.
Benzer Tezler
- Multi-subject brain decoding using deep learning techniques
Derin öğrenme yöntemlerini kullanarak çok denekli beyin okuma
BURAK VELİOĞLU
Yüksek Lisans
İngilizce
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
YRD. DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- An fMRI Segmentation Method Under Markov Random Fields for brain decoding
Zihinsel aktivitelerin çözümlenmesi amacıyla Markov Rasgele Alanları Üzerinde Geliştirilen fMRG Bölütleme Yöntemi
EMRE AKSAN
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. FATOŞ TUNAY YARMAN VURAL
- Yüz ve kol transplantasyon ve kol skapular replantasyon hastalarında beyin plastisitesinin fmrg tabanlı analizi
Fmri based analysis of brain plasticity in face and arm transplantation and arm scapular replantation patients
AYHAN ŞAVKLIYILDIZ
Yüksek Lisans
Türkçe
2019
Elektrik ve Elektronik MühendisliğiAkdeniz ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ÖMER HALİL ÇOLAK
- Derin öğrenme ile nöronal veri kodunun çözülmesi
Neuronl data decoding with deep learning
FATMA ÖZCAN
Doktora
Türkçe
2023
BiyofizikKahramanmaraş Sütçü İmam ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET ALKAN
- Good features to correlate for visual tracking
Korelasyon ile görsel takip için iyi öznitelikler
ERHAN GÜNDOĞDU
Doktora
İngilizce
2017
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. ABDULLAH AYDIN ALATAN