Dynamic Causal Modelling alapú neurális modellkereső algoritmusok karakterizálása, és alkalmazása klinikai és preklinikai kutatásokban

Aranyi, Sándor Csaba

Dynamic Causal Modelling alapú neurális modellkereső algoritmusok karakterizálása, és alkalmazása klinikai és preklinikai kutatásokban

dc.contributor.advisor	Emri, Miklós
dc.contributor.author	Aranyi, Sándor Csaba
dc.contributor.department	Molekuláris orvostudomány doktori iskola	hu
dc.contributor.submitterdep	DE--Általános Orvostudományi Kar -- Orvosi Képalkotó Intézet, Nukleáris Medicina Tanszék
dc.date.accessioned	2022-07-06T09:51:07Z
dc.date.available	2022-07-06T09:51:07Z
dc.date.created	2022	hu_HU
dc.date.defended	2022-07-19
dc.description.abstract	Az agyi régiók közötti neuronális kölcsönhatások vizsgálatához több technikai és módszertani kihívással kell megküzdeni. Munkánk célja az volt, hogy létrehozzunk egy DCM alapú effektív konnektivitás számítására alkalmas munkafolyamatot, amely magában foglalja a funkcionális MRI felvételek egységesített és korszerű előfeldolgozását, a definiált régiórendszer automatizált és adatvezérelt térbeli adjusztálását, valamint nagy számosságú modellterek feltárásának lehetőségét az adatokra legjobban illeszkedő neurális modellek keresésére. Publikált munkáink során a következő eredményekre jutottunk. A kereső algoritmusok fejlesztésének fő akadálya a DCM magas számításigénye. Ennek kiküszöbölésére létrehoztuk a futási időre optimalizált ReDCM R csomagot, amellyel teljes modellterek kiértékelésére is lehetőségünk van. A szoftverrel jelenleg a determinisztikus modellek becslése érhető el, amelyet a későbbiekben szeretnénk kiegészíteni sztochasztikus modellekkel, valamint a spektrális sémával történő modell inverziós eljárással. A DCM-ben az adatokat legnagyobb valószínűséggel magyarázó modellek megtalálása nem triviális feladat. Vizsgáltuk a hálózatelméletből ismert kereső algoritmusok alkalmazásának lehetőségeit a DCM keretrendszerben, ahol a modelleket irányított ciklikus gráfnak tekintjük és a gráf topológiáját iteratívan változtatva keressük a legjobb modellt. Három modellkereső algoritmust adaptáltunk DCM-re. Megállapítottuk, hogy egyedi szinten végzett modellkeresés esetében a topológiai algoritmusok kis mértékben jobban teljesítenek a post-hoc modell optimalizálás módszerénél. Csoportszintű PEB modelleken belül azonban megmutatkoznak a gráfelméleti módszerek limitációi. Demonstráltuk, hogy a DCM alkalmazható preklinikai kutatások során kisállatokon végzett kísérletekben, különböző kondíciók alatt vizsgált effektív konnektivitás differenciáinak mérésére. Továbbá a fejlesztéseinket sikerrel alkalmaztuk a Debreceni Egyetemen történő kutatások, valamint külső intézetekkel való együttműködések során.	hu_HU
dc.description.abstract	Researching neuronal interactions between brain regions several technical and methodological challenges have to be overcome. Our aim was to create a workflow for DCM-based effective connectivity computations, that incorporates the unified and state-of-the-art preprocessing of functional MRI images, the automated and data-driven adjustment of regions defined in literature and the exploration of large DCM model-spaces to find the best fitting neuronal model. We can summarize our results based on our published work. The main obstacle for developing model search methods is the high computational demand of DCM. To relieve this problem we developed the ReDCM R package, that is optimized for running speed. With ReDCM we have to possibility to evaluate large model-spaces. At the moment, model inversion is available only for deterministic time-series models. Further developments aim to include stochastic models and the scheme to fit spectral densities. In DCM finding the models most likely explaining imaging data is not trivial. We examined the possibilities to apply search methods known from network science in the DCM framework, where we consider models to be directed acyclic graphs, and changing graph topology iteratively we look for the best model. We adapted three model search algorithms for DCM. Our research showed, that on the subject-level the topological methods slightly out-perform analytic post-hoc model optimization. However, searching through nested PEB models on the group-level the graph theoretical methods show their limitations. We demonstrated, that DCM can be applied on small animal data in preclinical studies, assessing differences in effective connectivity under different conditions. Furthermore, out developments have been successfully applied in research studies in the University of Debrecen, as well as during collaborations with other institutes.	hu_HU
dc.format.extent	111	hu_HU
dc.identifier.uri	http://hdl.handle.net/2437/335766
dc.language.iso	hu	hu_HU
dc.subject	effektív konnektivitás	hu_HU
dc.subject	effective connectivity	hu_HU
dc.subject	dinamikus oksági modellezés	hu_HU
dc.subject	dynamic causal modelling	hu_HU
dc.subject	funkcionális mágneses rezonanciás képalkotás	hu_HU
dc.subject	functional magnetic resonance imaging	hu_HU
dc.subject	fMRI	hu_HU
dc.subject	Bayes-i modellezés	hu_HU
dc.subject	Bayesian modelling	hu_HU
dc.subject	struktúra tanulás	hu_HU
dc.subject	structure learning	hu_HU
dc.subject	gráfelmélet	hu_HU
dc.subject	graph theory	hu_HU
dc.subject	modellkereső algoritmusok	hu_HU
dc.subject	model search algorithms	hu_HU
dc.subject	preklinika	hu_HU
dc.subject	preclinical research	hu_HU
dc.subject.discipline	Elméleti orvostudományok	hu
dc.subject.sciencefield	Orvostudományok	hu
dc.title	Dynamic Causal Modelling alapú neurális modellkereső algoritmusok karakterizálása, és alkalmazása klinikai és preklinikai kutatásokban	hu_HU
dc.title.translated	Characterizing Dynamic Causal Modelling based neuronal model search algorithms, and application in clinical and preclinical research	hu_HU