در تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی غالباً توزیع داده‌ها نرمال در نظر گرفته شده و از چولگی آن‌ها چشم‌پوشی شده، یا قبل از آغاز تحلیل پاسخ سیگنال وابسته به سطح اکسیژن خون با تبدیلاتی همچون باکس و کاکس نرمال‌‌سازی شده و یا از تحلیل‌های ناپارامتری استفاده شده است. اما فرض نرمال بودن اغلب غیرواقع‌گرایانه است  زیرا  در داده‌های سیگنال وابسته به سطح اکسیژن خون با چولگی و دم‌های کلفت‌تر در توزیع روبه‌رو می‌شویم. همچنین برآورد ماتریس کوواریانس و به تبع آن آزمون فرض‌های آماری برای شناخت واکسل‌های فعال بر اثر محرک خاص، که براساس در نظر گرفتن توزیع گوسی شکل گرفته مخدوش خواهد بود و خطای برآوردها بالارفته و صحت استنباط زیر سوال می‌رود. 

با توجه به حجم زیاد داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز و چولگی پاسخ دراین داده‌ها و همبستگی فضایی‌  مشاهدات، تصمیم داریم مدل فرآیند پیش‌گوی‌گوسی‌چوله را  برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی و مکان‌یابی واکسل‌های فعال شده در مغز در پاسخ به محرکی خاص  به کاربریم که هم چولگی پاسخ را در نظر بگیریم  و هم از روش فرآیند پیش‌گو برای کاهش بعد و افزایش سرعت محاسبات استفاده کنیم.

" />

مدل بندی فرآیند پیش‌گوی گوسی و گوسی‌چوله فضایی‌ برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز (fMRI) و مقایسه آن ها.

Spatial Gussian and skew-Gussian predictive process modeling for analysis of functional Magnetic Resonance Imaging (fMRI) data


چاپ صفحه
پژوهان
صفحه نخست سامانه
مجری و همکاران
مجری و همکاران
منابع
منابع
علوم پزشکی شهید بهشتی
علوم پزشکی شهید بهشتی

مجریان: یداله محرابی

کلمات کلیدی: تصویربرداری تشدید مغناطیسی عملکردی مغز- مدل‌سازی فضایی - فرآیند پیش‌گوی گوسی‌چوله

اطلاعات کلی طرح
hide/show

کد طرح 15481
عنوان فارسی طرح مدل بندی فرآیند پیش‌گوی گوسی و گوسی‌چوله فضایی‌ برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز (fMRI) و مقایسه آن ها.
عنوان لاتین طرح Spatial Gussian and skew-Gussian predictive process modeling for analysis of functional Magnetic Resonance Imaging (fMRI) data
کلمات کلیدی تصویربرداری تشدید مغناطیسی عملکردی مغز- مدل‌سازی فضایی - فرآیند پیش‌گوی گوسی‌چوله
نوع طرح بنیادی-کاربردی
نوع مطالعه بررسی تستها یا روشها
مدت اجراء - روز 730
ضرورت انجام تحقیق

در تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی غالباً توزیع داده‌ها نرمال در نظر گرفته شده و از چولگی آن‌ها چشم‌پوشی شده، یا قبل از آغاز تحلیل پاسخ سیگنال وابسته به سطح اکسیژن خون با تبدیلاتی همچون باکس و کاکس نرمال‌‌سازی شده و یا از تحلیل‌های ناپارامتری استفاده شده است. اما فرض نرمال بودن اغلب غیرواقع‌گرایانه است  زیرا  در داده‌های سیگنال وابسته به سطح اکسیژن خون با چولگی و دم‌های کلفت‌تر در توزیع روبه‌رو می‌شویم. همچنین برآورد ماتریس کوواریانس و به تبع آن آزمون فرض‌های آماری برای شناخت واکسل‌های فعال بر اثر محرک خاص، که براساس در نظر گرفتن توزیع گوسی شکل گرفته مخدوش خواهد بود و خطای برآوردها بالارفته و صحت استنباط زیر سوال می‌رود. 

با توجه به حجم زیاد داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز و چولگی پاسخ دراین داده‌ها و همبستگی فضایی‌  مشاهدات، تصمیم داریم مدل فرآیند پیش‌گوی‌گوسی‌چوله را  برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی و مکان‌یابی واکسل‌های فعال شده در مغز در پاسخ به محرکی خاص  به کاربریم که هم چولگی پاسخ را در نظر بگیریم  و هم از روش فرآیند پیش‌گو برای کاهش بعد و افزایش سرعت محاسبات استفاده کنیم.

هدف کلی مدل‌بندی فرآیند پیش‌گوی گوسی‌چوله فضایی‌ برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز
خلاصه روش کار

در این مطالعه روش مدل‌بندی فرآیند پیش‌گوی گوسی و گوسی‌چوله  فضایی برای تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی مغز ارائه خواهد شد. در ابتدا مبانی مدل فرآیند پیش‌گوی گوسی‌چوله فضایی بررسی خواهد شد.  در گام بعد پیش پردازش داده‌ها صورت می‌گیرد تا اثرات تصنعی موجود در داده‌ها را تعدیل کند.  نرمال‌سازی نیز برای قرار گرفتن تصاویر مغزی افراد مختلف شرکت کننده در تحلیل در یک مقیاس فضایی یک‌پارچه صورت می‌گیرد. در گام بعدی پیچش تابع پویایی گردش با ماتریس طرح اولیه براساس تابع پویایی گردش مناسب داده‌ها برای رسیدن به ماتریس طرح اصلی صورت خواهد گرفت.

 در گام بعدی مدل فرآیند پیش‌گوی گوسی‌ فضایی  و سپس مدل فرآیند پیش‌گوی گوسی‌چوله  فضایی به داده‌های واقعی  برازش داده خواهد شد. در آخر  عمل‌کرد مدل‌های برازش شده با استفاده از معیارهای  نرخ کلاس بندی درست،   نرخ مثبت واقعی،  نرخ مثبت کاذب و ریشه میانگین توان دوم خطا سنجیده خواهد شد.

 


اطلاعات مجری و همکاران
hide/show

نام و نام‌خانوادگی سمت در طرح نوع همکاری درجه‌تحصیلی پست الکترونیک
یداله محرابیمجری اصلیاستاد راهنمای اولدکترای تخصصی پی اچ دیmehrabi@sbmu.ac.ir
مجید جعفری خالدیهمکارمشاور طرحدکترای تخصصی پی اچ دیd.mjkhaledi@gmail.com
اعظم صفارهمکاراجراء طرحفوق لیسانسazam.saffar66@gmail.com

منابع
hide/show

1. Gelfand AE, Diggle P, Guttorp P, Fuentes M. Handbook of spatial statistics: CRC press; 2010.

 2. Huettel SA, Song AW, McCarthy G. Functional magnetic resonance imaging: Sinauer Associates Sunderland, MA; 2004.

 3. Lazar N. The Big Picture: Functional Magnetic Resonance Imaging—Introduction to a Neuroimaging Modality. CHANCE. 2012;25(4):42-5.

 4. Hyun JW, Li Y, Huang C, Styner M, Lin W, Zhu H, et al. STGP: Spatio-temporal Gaussian process models for longitudinal neuroimaging data. NeuroImage. 2016;134:55062.-

5. Buxton RB. Introduction to functional magnetic resonance imaging: principles and techniques: Cambridge university press; 2009.

 6. Lazar N. The statistical analysis of functional MRI data: Springer Science & Business Media; 2008.

 7. Banerjee S. High-dimensional bayesian geostatistics. Bayesian analysis. 2017;12(2):583.

 8. Gelfand AE, Banerjee S. Bayesian modeling and analysis of geostatistical data. Annual review of statistics and its application. 2017;4:245-66.

9. Banerjee S, Gelfand AE, Finley AO ,Sang H. Gaussian predictive process models for large spatial data sets. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2008;70(4):825-48.

 10. Boojari H, Khaledi MJ, Rivaz F. A non-homogeneous skew-Gaussian Bayesian spatial model. Statistical Methods & Applications. 2016;25(1):55-73.

11. Fuentes M. Approximate likelihood for large irregularly spaced spatial data. Journal of the American Statistical Association. 2007;102(477):321-31.

12. Nychka DW. Spatial-process estimates as smoothers. Smoothing and regression: approaches, computation, and application. 2000;329:393.

 13. RUE H, Tjelmeland H. Fitting Gaussian Markov random fields to Gaussian fields. Scandinavian journal of Statistics. 2002;29(1):31-49.

14. Yan J. Gaussian Markov Random Fields: Theory and Applications. Taylor & Francis; 2006.

15. Lachos VH, Labra FV, Ghosh P. Multivariate skew-normal/independent distributions: properties and inference. Pro Mathematica. 2014;28(56):11-53.

16. Banerjee S, Finley A, Waldmann P ,Ericsson T. Hierarchical spatial process models for multiple traits in large genetic trials. Journal of the American Statistical Association. 2010 Jun 1(105(490)):506-21.

17. Hanson SJ, Bly BM. The distribution of BOLD susceptibility effects in the brain is non-Gaussian. NeuroReport. 2001;12(9):1971-7.

18. Diggle PJ, Ribeiro Jr PJ, Myers DE. Model-based geostatistics. SIAM review. 2008;50(1):187.

19. Friston KJ, Holmes AP, Poline J, Grasby P, Williams S, Frackowiak RS, et al. Analysis of fMRI time - series revisited. Neuroimage. 1995;2(1):45-53.

 20. Penny WD, Trujillo-Barreto NJ, Friston KJ. Bayesian fMRI time series analysis with spatial priors. NeuroImage. 2005;24(2):350-62.

21. Woolrich MW, Jenkinson M, Brady JM, Smith SM. Fully Bayesian spatio-temporal modeling of fMRI data. IEEE transactions on medical imaging. 2004;23(2):213-31.

22. Bowman FD. Spatio-temporal modeling of localized brain activity. Biostatistics. 2005;6(4):558-75.

 23. Bowman FD. Spatiotemporal models for region of interest analyses of functional neuroimaging data. Journal of the American Statistical Association. 2007;102(478):442-53.

24. Banerjee S, Gelfand A, Finley A, Sang H. Gaussian predictive process models for large spatial data sets. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2008 Sep;70(4):825-48.

 25. Banerjee S, Finley AO, Waldmann P, Ericsson T. Hierarchical spatial process models for multiple traits in large genetic trials. Journal of the American Statistical Association. 2010;105(490):5021.-6

26. JungWon Hyun a, Yimei Li a, John H, Gilmore b, Zhaohua Lud e, Martin Styner b, c, et al. SGPP: spatial Gaussian predictive process models for neuroimaging data. NeuroImage. 2013;1(89):70-80.

27. JW H, Li Y, Huang C, Styner M, Lin W, Zhu H, et al. STGP: Spatio-temporal Gaussian process models for longitudinal neuroimaging data. NeuroImage. 2016 Jul;1(134):550-62.

28. Ashby F. Statistical analysis of fMRI data: MIT press; 2011 Mar 11.

 29. Kim H, Mallick B. A Bayesian prediction using the skew Gaussian distribution. Journal of Statistical Planning and Inference. 2004 Feb 15;120((1-2)):85-101.

30. Genton M, editor. Skew-elliptical distributions and their applications2004 Jul 27.

31. Allard D, Naveau P. A new spatial skew-normal random field model. Communications in Statistics— Theory and Methods. 2007 Jul 10;36(9):1821-34.

32. Zareifard H, Khaledi M. Non-Gaussian modeling of spatial data using scale mixing of a unified skew Gaussian process. Journal of Multivariate Analysis. 2013 Feb 1(114):1628.-

 33. Lachos V, Labra F, Ghosh P. Multivariate skew-normal/independent distributions: properties and inference. Pro Mathematica. 2014 Oct;28(56):11-53.