Dokument: Impact of data processing parameters on whole-brain dynamical models
| Titel: | Impact of data processing parameters on whole-brain dynamical models | |||||||
| URL für Lesezeichen: | https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=63735 | |||||||
| URN (NBN): | urn:nbn:de:hbz:061-20230926-131500-1 | |||||||
| Kollektion: | Dissertationen | |||||||
| Sprache: | Englisch | |||||||
| Dokumententyp: | Wissenschaftliche Abschlussarbeiten » Dissertation | |||||||
| Medientyp: | Text | |||||||
| Autor: | Jung, Kyesam [Autor] | |||||||
| Dateien: |
| |||||||
| Beitragende: | PD Dr. Popovych, Oleksandr [Gutachter] Prof. Dr. Florin, Esther [Gutachter] | |||||||
| Stichwörter: | data processing parameter; MRI pipeline; whole-brain model; human connectome | |||||||
| Dewey Dezimal-Klassifikation: | 600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit | |||||||
| Beschreibungen: | Magnetic resonance imaging (MRI) in neuroscience is one of the most powerful non-invasive methods to measure the human brain. Neuroimaging studies have been using MRI to extract structural and functional properties from the brain. In computational neuroscience, whole-brain modeling employs MRI data as a backbone and allows researchers to scrutinize simulated whole-brain dynamics in silico by exploring free parameters of whole-brain models. However, MRI data processing has no standardized method because of the lack of ground truth of the human brain. Thus, using different softwares and data processing parameters can induce inconsistent results and lead to different conclusions across studies. Besides, the impact of data processing on whole-brain models has not been clearly understood. Therefore, I performed three studies considering conditions of MRI data processing for whole-brain modeling and investigated the impact of data processing parameters on whole-brain models. In study 1, varied data processing was used to calculate the structural connectome, which can directly influence whole-brain models. Subsequently, these different whole-brain models strongly influenced simulated results and the subjects were stratified based on empirical and simulated data. In study 2, different brain parcellation schemes were used for data processing. Empirical and simulated results from different parcellation schemes showed inter-individual variability via data variables. In these respects, in study 3, varied functional data processing was used for whole-brain dynamical modeling. Afterwards, the empirical and simulated results with different conditions were used for the classification of patients with Parkinson’s disease against healthy subjects. The classification performance was affected by the functional data processing conditions. Furthermore, whole-brain modeling improved the performance when the empirical data are complemented by the simulation results. From these studies in the thesis, varying MRI data processing parameters does not only impact empirical data but also leads to different simulation results in whole-brain dynamical modeling and its application.Die Magnetresonanztomographie (MRT) in den Neurowissenschaften ist eine der leistungsfähigsten nicht-invasiven Methoden zur Messung des menschlichen Gehirns. In Neuroimaging-Studien wird die MRT eingesetzt, um strukturelle und funktionelle Eigenschaften des Gehirns zu erfassen. In den computergestützten Neurowissenschaften werden bei der Ganzhirnmodellierung MRT-Daten als Grundlage verwendet, so dass Forscher die simulierte Ganzhirndynamik in silico untersuchen können, indem sie die freien Parameter von Ganzhirnmodellen erforschen. Allerdings gibt es für die MRT-Datenverarbeitung keine standardisierte Methode, da es keine Referenzdaten des menschlichen Gehirns gibt. Die Verwendung unterschiedlicher Softwares und Datenverarbeitungsparameter kann daher zu widersprüchlichen Ergebnissen und unterschiedlichen Schlussfolgerungen in verschiedenen Studien führen. Außerdem sind die Auswirkungen der Datenverarbeitung auf Ganzhirnmodelle noch nicht eindeutig geklärt. Daher habe ich drei Studien durchgeführt, die variierende Ansätze zur MRT-Datenverarbeitung für die Modellierung des gesamten Gehirns berücksichtigen und die Auswirkungen der Datenverarbeitungsparameter auf die Ganzhirnmodelle untersuchen. In Studie 1 wurden verschiedene Datenverarbeitungen verwendet, um das strukturelle Konnektom zu berechnen, das die Ganzhirnmodelle beeinflussen kann. In der Folge führten beeinflussten diese unterschiedlichen Ganzhirnmodelle die Simulationsergebnissen stark, und die Probanden wurden auf der Grundlage empirischer und simulierter Daten geschichtet. In Studie 2 wurden verschiedene Parzellierungsschemata des Gehirns für die Datenverarbeitung verwendet. Empirische und simulierte Ergebnisse aus verschiedenen Parzellierungsschemata zeigten interindividuelle Variabilität anhand von Datenvariablen. Vor diesem Hintergrund wurde in Studie 3 eine variierende funktionelle Datenverarbeitung für die dynamische Modellierung des gesamten Gehirns verwendet. Die empirischen und simulierten Ergebnisse unter verschiedenen Bedingungen wurden zur Klassifizierung von Parkinson-Patienten und gesunden Probanden verwendet. Dabei wurde die Klassifizierungsleistung durch die Bedingungen der funktionellen Datenverarbeitung beeinflusst. Außerdem verbesserte die Ganzhirnmodellierung die Leistung, wenn die empirischen Daten um die Simulationsergebnisse ergänzt wurden. Aus diesen Studien geht hervor, dass sich unterschiedliche Parameter der MRT-Datenverarbeitung nicht nur auf die empirischen Daten auswirken, sondern auch zu unterschiedlichen Simulationsergebnissen bei der dynamischen Modellierung des gesamten Gehirns führen. | |||||||
| Lizenz: |  Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz | |||||||
| Fachbereich / Einrichtung: | Medizinische Fakultät | |||||||
| Dokument erstellt am: | 26.09.2023 | |||||||
| Dateien geändert am: | 26.09.2023 | |||||||
| Promotionsantrag am: | 18.02.2023 | |||||||
| Datum der Promotion: | 01.09.2023 |
