Dekonvoluce hemodynamické odezvy z dat fMRI

Abstract

Tato práce pojednává o variabilitě HRF, která může mít v určitých případech zásadní vliv na výsledky detekce neuronální aktivace pomocí fMRI. Jsou popsány tři metody – kumulace, regresní dekonvoluce a metoda bikonjugovaných gradientů - které umožní odhadnout tvar HRF. V rámci simulací byla vybrána jako nejrobustější regresní metoda, která pro dekonvoluční odhad o délce 30 s využívá křivky B-spline 4. řádu. Dekonvoluční odhady byly využity jako modely HRF pro klasickou analýzu dat fMRI, konkrétně vizuální oddball pradigma, obecným lineárním modelem. Bylo pozororováno rozšíření lokalizovaných oblastí a výsledky byly po odborné konzultaci s vědeckými pracovníky neurologické kliniky vyhodnoceny jako relevantní. Také bylo vytvořeno v Matlabu programové prostředí, které umožnuje pohodlně pozorovat variabilitu HRF mezi jednotlivými oblastmi mozku.

This paper deals with the variability of HRF, which may have crucial impact on outcomes of fMRI neuronal activation detection in some cases. There are three methods described - averaging, regression deconvolution and biconjugate gradient method - which provide HRF shape estimation. In frame of simulations regression method, which uses B-spline curves of 4-th order for window length of 30 s, was chosen as the most robust method. Deconvolution estimates was used as HRF models for classic analyse of fMRI data, concretely visual oddball paradigm, via general linear model. Enlargement of localizated areas was observed and after expert consultation with scientific employees from neurology clinic, outcomes was evaluated as relevant. Furthermore Matlab application, which provides confortable observation of HRF variability among brain areas, was made.