Adatvezérelt szürkeállomány parcellázó módszer funkcionális agyi hálózatanalízis régiórendszerének kijelölésére

Abstract

A DE OEC egyik multidiszciplináris kutatócsoportja az agyi plaszticitás és a neurodegenetartív betegségek tanulmányozásához az in vivo funkcionális és strukturális agyi hálózatanalízis módszerét alkalmazza. E módszer egyik fontos lépése a hálózati végpontok kijelölése, amely általában egy digitális agyatlasz régióredszerének felhasználásával történik. Azonban a problémakört tárgyaló legújabb közlemények alapján megfogalmazódott az az igény, hogy a régiórendszert egyénre szabottan az egyedi funkcionális képanyagok (fMRI, EEG, PET) felhasználásával pontosítsuk. A dolgozat keretében egy adatvezérelt térfogat parcellázó algoritmus implementálása volt a cél, aminek segítségével a 4 dimenziós funkcionális képi adatokra illeszkedő 3 dimenziós címketérképet kapunk. A parcellázással meghatározott területeknek kompaktaknak kell lenniük, és biztosítani kell, hogy a régiók képpontjaihoz rendelt görbék variabilitása minimális legyen. A megfelelő címketérkép keresése során a parcellázást a képfeldolgozás területén széleskörűen használt Markov véletlen mezővel (MRF) modellezzük. A tér pontjaihoz tartozó, időben változó adatokat von Mises Fisher eloszlással jellemezzük. A címketérképet és a modell paramétereket iteratív eljárás során becsüljük, ahol az adat aktuális parcellázásra való illeszkedését energiafüggvényekkel jellemezzük. Az energiafüggvény és a parcellázás hatékony optimalizálását a minimális értékű gráfvágáson alapuló alpha-expansion algoritmussal végezzük, majd a modell paramétereket pszeudo log-likelihood maximalizálás során becsüljük.