مدل مکانی زمانی بیزی برای تعیین نواحی فعال مغز در تحلیل داده‎های Fmri

هدف: در سال های اخیر تصویربرداری تشدید مغناطیسی عمل کردی (fmri) به منظور تعیین نقاط فعال مغز در شرایط گوناگون، بسیار مورد توجه قرار گرفته است. روش های آماری نقش اساسی در تحلیل داده های تصویری دارند. داده های fmri ساختار پیچیده ای از همبستگی های زمانی و فضایی سه بعدی دارند. به علاوه دریافت پاسخ نسبت به زمان اعمال محرک تاخیر دارد، که به عنوان تابع پاسخ همودینامیکی (hrf) شناخته می شود. توجه به این ساختارهای پیچیده ی همبستگی و نیز رفتار hrf در مدل سازی آماری اهمیت ویژه ای دارد. در مقاله حاضر یک مدل مکانیزمانی بیزی جدید معرفی می شود که در تحلیل داده های fmri با هدف تعیین نقاط فعال کاربرد دارد.مواد و روش ها: داده های تصویری مورد استفاده در این مقاله مربوط به محرک back2 است که بخشی از پروژه ی my connectome بوده و در سال 2015 در دانشگاه استنفورد اجرا شده است. مدل مکانی زمانی سه بعدی ارائه شده روی داده های مذکور برازش داده شد به گونه ای که hrf برای هر واکسل به طور مجزا بر اساس داده های آن، برآورد شده و ساختارهای پیچیده ی همبستگی بین داده ها در مدل لحاظ گردد. از نرم افزار fsl برای پیش پردازش تصاویر و از برنامه نویسی در محیط متلب جهت مدل سازی آماری استفاده شد.یافته ها: نتایج حاصل از برازش مدل آماری نشان داد که محرک back2 منجر به فعالیت بخش هایی از نواحی inferior parietal و frontal در مغز گردید.نتیجه گیری: در این پژوهش یک مدل مکانیزمانی بیزی جدید به عنوان روشی مناسب برای تعیین نقاط فعال در سری های زمانی fmri معرفی شد. مدل مکانیزمانی بیزی معرفی شده در این مطالعه، به دلیل در نظر گرفتن هم زمان ساختارهای همبستگی پیچیده و نیز برآورد hrf مختص هر واکسل، رویکرد مناسبی در تحلیل داده های fmri است.

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

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 3dimentional 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 2back 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