Stausberg, Sven: Datengetriebenes Clustering funktionell tomographischer Daten. - Bonn, 2011. - Dissertation, Rheinische Friedrich-Wilhelms-Universität Bonn.
Online-Ausgabe in bonndoc: https://nbn-resolving.org/urn:nbn:de:hbz:5N-24269
@phdthesis{handle:20.500.11811/4928,
urn: https://nbn-resolving.org/urn:nbn:de:hbz:5N-24269,
author = {{Sven Stausberg}},
title = {Datengetriebenes Clustering funktionell tomographischer Daten},
school = {Rheinische Friedrich-Wilhelms-Universität Bonn},
year = 2011,
month = feb,

note = {In der vorliegenden Arbeit wurden mit Hilfe eines datengetriebenen Verfahrens dynamische Eigenschaften von Daten der funktionellen Magnetresonanztomographie (fMRT) mit dem Ziel analysiert, neuronale Aktivität auf der Basis transienter Interaktionen im menschlichen Gehirn zu detektieren. Eine detaillierte Charakterisierung von Interaktionen zwischen verschiedenen Teilen des Gehirns ist gerade für das Verständnis der Gesamtdynamik von hoher Relevanz.
Datengetriebene Methoden zeichnen sich vor allem dadurch aus, dass die Analysen allein auf der zugrunde liegenden Datenbasis durchgeführt werden und keine Vorannahmen in die Analysen einfließen. Das hier verwendete Verfahren besteht aus einem hierarchischen Clustering basierend auf dem Maß der Mutual Information und berücksichtigt somit insbesondere auch mögliche nichtlineare Abhängigkeiten zwischen zwei Systemen sowie nichtlineare Systemdynamiken. Mit dem Clusterfahren kann die gesamte Abhängigkeitshierarchie aller untersuchten Teilsysteme ermittelt werden, wodurch auch Zusammenhänge zwischen Gruppen von Teilsystemen berücksichtigt werden. Mit diesem Verfahren kann somit die Rolle von Teilsystemen innerhalb des gesamten Systems quantifiziert werden.
Umfangreiche Untersuchungen zur generellen Eignung des Clusterverfahrens in Kombination mit einer Aktivitätsclusterdetektion zum Nachweis funktionell abhängiger Areale wurde mit Hilfe von synthetischen fMRT-Daten mit typischen Datenpunktanzahlen (N<1000) durchgeführt. Es zeigte sich, dass die Effizienz des Verfahrens stark vom Rauschen in den Daten abhängig ist. Zur nichtlinearen Rauschreduktion in kurzen transienten Signalen wurde eine eigens entwickelte Methode genutzt, die die Vorzüge der Wavelet-Transformation mit Techniken der nichtlinearen Zeitreihenanalyse verknüpft. In der Kombination von nichtlinearer Rauschreduktion und den entwickelten Optimierungsverfahren konnte eine Aktivitätsclusterdetektion mit hoher Effizienz für synthetische fMRT-Daten erreicht werden.
Mit den entwickelten Methoden wurden schließlich Interaktionen im menschlichen Gehirn analysiert. Dazu wurde ein motorisches fMRT-Experiment konzipiert und durchgeführt. Die Ergebnisse zeigen, dass zusätzliche hohe funktionelle Abhängigkeiten in bestimmten anatomischen Arealen detektiert werden können, was mit etablierten Methoden im Bereich der fMRT kaum oder gar nicht möglich war. Zusätzlich wurden Hinweise darauf gefunden, dass sich anatomisch unterschiedliche Hirnareale auch funktionell unterscheiden. Lediglich zwischen zwei Arealen, die anatomisch und funktionell sehr ähnlich aufgebaut sind, konnten nicht unterschieden werden.
Mit der entwickelten datengetriebenen Analysemethode sind zukünftig völlig neue Experimentdesigns im Bereich der fMRT vorstellbar, die neue Einblicke in die Funktionsweise des Gehirns ermöglichen können.},

url = {http://hdl.handle.net/20.500.11811/4928}
}

Die folgenden Nutzungsbestimmungen sind mit dieser Ressource verbunden:

InCopyright