Data-driven analysis for multimodal neuroimaging

Bildgebende Verfahren in den Neurowissenschaften haben unser Verständnis von Informationsverarbeitung im Hirn entscheidend geprägt. Die schnelle Verbreitung von nicht-invasiven bildgebenden Verfahren wie etwa der funktionellen Magnet-Resonanz Tomographie (fMRT) in den letzten beiden Dekaden erlaubt es heutzutage jedem interessierten Studenten nicht-invasiv den Blutsauerstoffgehalt im Hirn zu messen und so räumlich hochaufgelöste Zeitreihen von Hirnaktivität aufzuzeichnen. Wie genau sich jedoch neuronale Aktivität im Blut-Sauerstoff Gehalt abhängigem Kontrast (englisch: Blood-oxygen level dependent oder BOLD contrast) wiederspiegelt, ist trotz intensiver Forschung an der neurovaskulären Kopplung nach wie vor aktuelles Forschungsthema. Für ein besseres Verständnis des fMRT Signals sind kombinierte Messungen von intrakranialer neuronaler Aktivität und fMRT Signalen zwingend erforderlich. Diese multimodalen Simultanmessungen sind inzwischen technisch möglich. Jedoch fehlen geeignete Analysemethoden. Gängige Verfahren basieren auf vereinfachenden Annahmen über die neurovaskuäre Kopplungsdynamik. Diese Annahmen sind zwar praktisch, erwiesen sich aber in zahlreichen Studien als falsch. In dieser Dissertation wird ein neuartiges Analyseverfahren, temporal kernel Canonical Correlation Analysis (tkCCA), entwickelt, getested und angewandt. TkCCA schätzt Abhängigkeitsstrukturen in hochdimensionalen Daten mit nicht-instantaner Kopplung. Die entscheidenden Vorteile von tkCCA gegenüber herkömmlichen Methoden sind a) direkte Anwendbarkeit auf multimodale Daten, b) Effizienz bei hochdimensionalen Daten mit wenig Datenpunkten und c) Verzicht auf einschränkende Annahmen über die generativen Modelle der gemessenen Daten. Insbesondere erlaubt tkCCA die Analyse hochdimensionaler multimodaler Simultanmessungen von neuronaler Aktivität und fMRT Signalen. Mit Hilfe von tkCCA können neuronale Signale besser aus multivariaten fMRI Messungen vorhergesagt werden. Davon können sowohl Grundlagenforschung als auch klinische Diagnostik profitieren. Darüberhinaus ist tkCCA direkt anwendbar auf andere Arten hochdimensionaler Datenströme mit nicht-instantanen Abhängigkeiten, wie etwa in sozialen Netzwerken im World Wide Web.

Author dc:creator

• Bießmann, Felix

Advisor dc:contributor.advisor

• Müller, Klaus-Robert

Licence dc:rights.uri

• http://rightsstatements.org/vocab/InC/1.0/

Language dc:language.iso

en, English

Identifier URI

urn:nbn:de:kobv:83-opus-33865
http://dx.doi.org/10.14279/depositonce-3085

OAI identifier oai:identifier

oai:depositonce.tu-berlin.de:11303/3382