Dokument: Evaluation and optimization of biologically meaningful dimensionality reduction approaches for MRI data

Titel:	Evaluation and optimization of biologically meaningful dimensionality reduction approaches for MRI data
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=45934
URN (NBN):	urn:nbn:de:hbz:061-20180515-111716-7
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Varikuti, Deepthi [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 49,44 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 09.05.2018 / geändert 09.05.2018
Beitragende:	Prof. Dr. Schwender, Holger [Gutachter] Prof. Dr. med. Eickhoff, Simon B. [Gutachter]
Dewey Dezimal-Klassifikation:	500 Naturwissenschaften und Mathematik » 570 Biowissenschaften; Biologie
Beschreibungen:	Multivariate Merkmalsanalysemethoden wurden bisher sehr häufig in den Neurowissenschaften eingesetzt, um eine Beziehung zwischen unterschiedlichen phänotypischen und behavioralen Messgrößen und bildgebenden neuronalen Korrelaten herzustellen. In diesem Zusammenhang ist man zusätzlich mit dem Problem konfrontiert, dass hochdimensionale voxelbasierte bildgebende Daten eine hohe Rechenleistung erfordern und gleichzeitig ein schwaches Signal-Rausch Verhältnis aufweisen. Des Weiteren bieten MRT basierte bildgebende Verfahren die Möglichkeit, funktionale und anatomische Informationen des Gehirns, die auf unterschiedliche Modalitäten beruhen, zu erfassen. Daher war das Ziel dieser Arbeit, den Fluch der Dimensionalität in Verbindung mit hochdimensionalen Voxel-Level-Informationen durch die Optimierung und Bewertung verschiedener Methoden auf der Basis von funktionellen und strukturellen MRT-Daten zu untersuchen. In diesem Rahmen wurden besonders die Aspekte der Reliabilität und Interpretierbarkeit betrachtet. Der erste Teil des Projekts konzentrierte sich auf die Untersuchung der Effekte von verschiedenen Verfahren zur Beseitigung von konfundierten Variablen auf die Test-Retest Reliabilität der funktionalen Konnektivitätsschätzungen von a priori definierten funktionalen Netzwerken. Im Allgemeinen liefert eine voxelbasierte Berechnung der funktionalen Konnektivität des gesamten Gehirns eine Vielzahl von Konnektivitätsmaßen (z.B. (344843 x (344843-1))/2). Dabei sind jedoch für eine gegebene interessierende Variable nur wenige dieser Verbindungen in der multivariaten Merkmalsanalyse informativ. Aufgrund dessen sind a priori definierte seed-basierte FC Messungen rechnerisch weniger aufwendig und informativer. Die beste Strategie zum Extrahieren der Konnektivitätsmatrizen aus a priori Netzwerken bleibt jedoch immer noch ungeklärt. Daher konzentriert sich Studie 1 hauptsächlich auf das Erreichen zuverlässiger funktionaler Konnektivitätsmaße. Weiterhin untersuchten wir unsere Annahmen in Studie 2 und 3 mit funktionellen MRT-Daten, indem wir die Merkmalsreduktion auf Grundlage von Fachwissen (d.h. a priori definierte meta-analytische Netzwerke) und unter der Anwendung der multivariaten Merkmalsanalyse implementierten. Der letzte Teil des Projekts zielte darauf ab, eine alternative Dimensionsreduktionmethode zu implementieren, nämlich die nicht-negative Matrixfaktorisierung (NNMF). Im Gegensatz zu der häufig verwendeten Hauptkomponentenanalysemethode erhöht die neue Methode die Qualität der Interpretierbarkeit der Niedrigrang-Approximation. Hauptsächlich wurde NNMF auf die voxelbasierte morphometrische (VBM) Messung angewendet, die aus anatomischen MRT Daten berechnet wurde. In diesem zweiten Teil des Projekts wurde die NNMF-basierte Reduktion von VBM-Daten zur Vorhersage des Alters evaluiert. Darüber hinaus ermittelten wir die Eigenschaften der Gehirnregionen, die in die Vorhersageanalyse eingeflossen sind. Zusammenfassend wurde in Studie 1 überprüft, welchen Einfluss verschiedene Confound-Entfernungsverfahren und Signalextraktionsansätze auf die Reliabilität von funktionalen Konnektivitätswerten in a priori definierten kanonischen Netzwerken haben. Die drei folgenden Arbeiten bewerteten verschiedene Merkmalsreduktionsstrategien in auf Machine Learning basierenden Studien, die entweder funktionelle oder strukturelle MRT-Daten verwendeten. Die Ergebnisse dieser Studien veranschaulichen effiziente und zuverlässige Strategien, wie der hochdimensionale Merkmalsraum in biologisch plausibel abgegrenzte Merkmale für die Analyse von Gehirn-Verhalten oder Gehirn-Phänotyp reduziert werden kann. Multivariate approaches have been increasingly applied in the field of neuroscience, to relate neuroimaging pattern to various phenotypical or behavioral measures. In this context, high-dimensional voxel wise neuroimaging data lead to multiple issues such as heavy computational demand, as well as poor signal to noise ratio. In addition, MRI based neuroimaging offers the opportunity of capturing the functional and anatomical information of the brain based on different modalities. Therefore, in this project, we aimed to address the curse of dimensionality associated with high-dimensional voxel level information by optimizing and evaluating various methods used within either functional or structural MRI data, giving particular attention to reliability and interpretability. The first part of the project focused on investigating the effects of various confounds removal approaches on the test-retest reliability of functional connectivity estimates of a-prior defined functional networks. In general, voxel-wise whole brain functional connectivity computation provides a multitude of connectivity measures (i.e., (344843 x (344843-1))/2), while only few of these connections are informative during the multivariate approaches for a given variable of interest. In turn, a priori defined seed based FC measures are computationally more tractable and more informative. However, the best strategy to extract the connectivity matrices from a priori networks still remains as a question. Hence, study 1 mainly focuses on achieving reliable functional connectivity measures. Study 2 and study 3 then further examined our assumptions by implementing the feature reduction based on domain knowledge (i.e., a priori defined meta-analytic networks) during the investigation of the multivariate approaches implicated to the given target function using the functional MRI data. The last part of the project aimed to implement an alternative dimensionality reduction method namely, non-negative matrix factorization, which promotes the quality of interpretability of the low-rank approximations in contrast to the frequently used principle component analysis method. Mainly, NNMF was applied to voxel based morphometric (VBM) measure computed from anatomical MRI data. In this second part of the project, NNMF based reduction of VBM data has been evaluated for prediction of age. Furthermore, we investigated the patterns of brain regions contributed in the prediction analysis. In sum, study 1 has been dedicated to investigate the influence of various confound removal procedures and signal extraction approaches on the reliability of the functional connectivity scores in a priori defined canonical networks. The three following studies assessed various feature reduction strategies in machine learning based studies using either functional or structural MRI data. These results of these studies demonstrated efficient and reliable strategies to reduce the high dimensional feature space into biologically plausible confined features for brain-behavior/phenotype relationship analyses.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät
Dokument erstellt am:	15.05.2018
Dateien geändert am:	15.05.2018
Promotionsantrag am:	26.01.2018
Datum der Promotion:	07.05.2018