Συντάχθηκε 12-09-2017 13:36
από Vasiliki Grigoraki
Email συντάκτη: vgrigoraki<στο>tuc.gr
Ενημερώθηκε:
-
Κύρια: υπάλληλος ΗΜΜΥ.
Άλλες ιδιότητες: Unknown -#-@ΗΜΜΥ
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΠΑΡΙ ΚΑΡΑΚΑΣΗ
με θέμα
Επεξεργασία fMRI με Χρήση Tensors
Tensor-based fMRI Signal Processing
Εξεταστική Επιτροπή
Καθηγητής Αθανάσιος Λιάβας (επιβλέπων)
Καθηγητής Μιχάλης Ζερβάκης
Αναπληρωτής Καθηγητής Γεώργιος Καρυστινός
Περίληψη
H λειτουργική απεικόνιση μαγνητικού τομογράφου (fMRI) αποτελεί μία από τις πιο δημοφιλείς μεθόδους μελέτης του ανθρώπινου εγκεφάλου. Πρόκειται για μια μη επεμβατική τεχνική μέτρησης της εγκεφαλικής δραστηριότητας, μέσω της ανίχνευσης τοπικών μεταβολών στα επίπεδα πυκνότητας οξυγόνου του αίματος (BOLD) στον εγκέφαλο, διαχρονικά. Στόχος της ανάλυσης των fMRI σημάτων είναι ο εντοπισμός εγκεφαλικών περιοχών που σχετίζονται με συγκεκριμένες διεργασίες (tasks). Το πρόβλημα της ανάλυσης των fMRI σημάτων μπορεί να αναχθεί στο πρόβλημα του «τυφλού διαχωρισμού σημάτων» (Blind Source Separation), το οποίο συνίσταται στον υπολογισμό ενός συνόλου αγνώστων σημάτων πηγής έχοντας ως γνώση ένα σύνολο σημάτων εξόδου, το οποίο προκύπτει από ανάμειξη των σημάτων πηγής (χωρίς την ακριβή γνώση του συστήματος ανάμειξης).
Στην παρούσα διπλωματική, αρχικά, μελετήσαμε τη χρήση μοντέλων παραγοντοποίησης πινάκων (matrix factorization) σε προβλήματα τυφλού διαχωρισμού σημάτων, υποθέτοντας την ύπαρξη καθυστερήσεων σε περιβάλλοντα διάδοσης με ή χωρίς ηχώ. Στη συνέχεια, μελετήσαμε τη χρήση παραγοντοποίησης τανυστών, μέσω των μοντέλων PARAFAC και Nonnegative Tensor Factorization, σε προβλήματα τυφλού διαχωρισμού σημάτων, καθώς και την επέκταση των μοντέλων αυτών, υποθέτοντας την ύπαρξη καθυστερήσεων σε περιβάλλοντα διάδοσης χωρίς ηχώ. Τέλος, χρησιμοποιήσαμε τα μοντέλα παραγοντοποίησης τανυστών για την ανάλυση δεδομένων fMRI. Στην ανάλυση μας, επεξεργαστήκαμε δεδομένα fMRI πολλαπλών υποκειμένων, τα οποία επιτελούν κοινές διεργασίες (group task related fMRI analysis) και εξαγάγαμε κοινούς χάρτες εγκεφαλικής ενεργοποίησης, όπως και κοινά σημάτα ενεργοποίησης στον χρόνο.
Abstract
Functional magnetic resonance imaging (fMRI) is one of the most popular methods in studying the human brain. fMRI provides a non-invasive way to measure brain activity, detecting local changes of blood oxygen level density (BOLD) in the brain, over time. The purpose of fMRI signal analysis is the localization of brain areas that are related with particular tasks. The problem of fMRI signal analysis can be considered as a blind source separation problem (BSS) , which is the problem of extracting a set of source signals from a set of mixed signals, without using prior information (or with very little prior information) about the source signals or the mixing process.
In this thesis, initially, we study the usage of nonnegative matrix factorization models in BSS problems, assuming the existence of delays in propagation environments with or without echo. Next, we study the usage of tensor factorization models, through PARAFAC and Nonnegative Tensor Factorization models, in BSS problems, as well as how these models can be extended under the assumption of propagation environments without echo. Finally, we use these tensor factorization models in fMRI data analysis. In our analysis, we processed fMRI data from different subjects performing the same tasks (group task related fMRI analysis) and we extracted common activation brain maps as well as common activation time signals.
Τόπος: Λ - Κτίριο Επιστημών/ΗΜΜΥ, 2041
Έναρξη: 14/09/2017 09:30
Λήξη: 14/09/2017 10:30
