مدل مكاني زماني بيزي براي تعيين نواحي فعال مغز در تحليل دادههاي fMRI

Bayesian spatiotemporal model for detecting of active areas in brain for analyzing of fMRI data

هدف: در سالهاي اخير تصويربرداري تشديد مغناطيسي عمل‌كردي (fMRI) به منظور تعيين نقاط فعال مغز در شرايط گوناگون، بسيار مورد توجه قرار گرفته است. روشهاي آماري نقش اساسي در تحليل دادههاي تصويري دارند. دادههاي fMRI ساختار پيچيدهاي از همبستگيهاي زماني و فضايي سه بعدي دارند. بهعلاوه دريافت پاسخ نسبت به زمان اعمال محرك تاخير دارد، كه به عنوان تابع پاسخ هموديناميكي (HRF) شناخته ميشود. توجه به اين ساختارهاي پيچيدهي همبستگي و نيز رفتار HRF در مدلسازي آماري اهميت ويژهاي دارد. در مقاله حاضر يك مدل مكاني-زماني بيزي جديد معرفي ميشود كه در تحليل دادههاي fMRI با هدف تعيين نقاط فعال كاربرد دارد. مواد و روش‌ها: دادههاي تصويري مورد استفاده در اين مقاله مربوط به محرك back-2 است كه بخشي از پروژهي My Connectome بوده و در سال 2015 در دانشگاه استنفورد اجرا شده است. مدل مكاني زماني سه بعدي ارائه شده روي داده‌هاي مذكور برازش داده شد به گونه‌اي كه HRF براي هر واكسل بهطور مجزا بر اساس دادههاي آن، برآورد شده و ساختارهاي پيچيدهي همبستگي بين دادهها در مدل لحاظ گردد. از نرم‌افزار FSL براي پيش پردازش تصاوير و از برنامهنويسي در محيط متلب جهت مدلسازي آماري استفاده شد. يافته‌ها: نتايج حاصل از برازش مدل آماري نشان داد كه محرك back-2 منجر به فعاليت بخشهايي از نواحي inferior parietal و frontal در مغز گرديد. نتيجه‌گيري: در اين پژوهش يك مدل مكاني-زماني بيزي جديد به عنوان روشي مناسب براي تعيين نقاط فعال در سريهاي زماني fMRI معرفي شد. مدل مكاني-زماني بيزي معرفي شده در اين مطالعه، به دليل در نظر گرفتن همزمان ساختارهاي همبستگي پيچيده و نيز برآورد HRF مختص هر واكسل، رويكرد مناسبي در تحليل دادههاي fMRI است.

Introduction: In recent years, Functional Magnetic Resonance Imaging (fMRI) has been highly regarded for determining activated areas of brain in different conditions. Statistical methods have a crucial role in analyzing fMRI data. These data have complicated 3-dimentional spatial and temporal correlation structures. Also, there is a time lapse between the stimulus onset and response, which is known as Hemodynamic Response Function (HRF). It is very important to consider the complex correlation structures and the behavior of HRF in statistical modeling. In present paper, a Bayesian spatiotemporal model is introduced that is applied to analyze fMRI data for detecting the activated areas of brain. Materials and Methods: Images related to 2-back task, obtained from a part of the My Connectome Project, was used that is implemented in Stanford University in 2015. The 3D spatiotemporal proposed model was fitted on the data, so that HRF is estimated for each voxel based on its data, separately, and complex correlation structures are also considered. FSL software was used for preprocessing of images and Matlab software was used for statistical modeling. Results: The results of statistical models show that some parts of inferior parietal and also frontal areas were activated by the task. Conclusion: A Bayesian spatiotemporal model was introduced as a suitable method for identifying activated areas in fMRI time series. Because of considering both of complex correlation structures and estimated HRF, our proposed model can be a perfect approach for analyzing of these data.