haku: @keyword independent component analysis / yhteensä: 14
viite: 3 / 14
| Tekijä: | Aro, Maarit |
| Työn nimi: | Functional Magnetic Resonance Imaging During Natural Viewing |
| Toiminnallinen magneettiresonanssikuvaus luonnollisessa katselutilanteessa | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2015 |
| Sivut: | (6) + 59 Kieli: eng |
| Koulu/Laitos/Osasto: | Perustieteiden korkeakoulu |
| Oppiaine: | Lääketieteellinen tekniikka (F3001) |
| Valvoja: | Ilmoniemi, Risto |
| Ohjaaja: | Hari, Riitta ; Malinen, Sanna |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201505142685 |
| Sijainti: | P1 Ark Aalto 4646 | Arkisto |
| Avainsanat: | functional magnetic resonance imaging general linear model independent component analysis visual cortex visual motion naturalistic stimuli luonnolliset ärsykkeet näköaivokuori riippumattomien komponenttien menetelmä toiminnallinen magneettikuvaus yleinen lineaarinen malli visuaalinen liike |
| Tiivistelmä (fin): | Toiminnallinen magneettikuvaus (fMRI) perustuu aivojen verenkierron muutoksiin, jotka ovat yhteydessä aivoalueiden neuraaliseen aktivaatioon. FMRI mahdollistaa aivojen toiminnan seuraamisen erilaisten ärsykkeiden ja tehtävien aikana. Aivokuvantamismenetelmien kehitys viime vuosina on mahdollistanut yhä monimutkaisemmat ja luonnollisemmat mittausasetelmat, ja myös data-analyysiin vaaditaan uudenlaisia lähestymistapoja. Tässä työssä perehdyttiin näköinformaation käsittelyyn aivoissa luonnonmukaisessa katselutilanteessa kahden eri analyysimenetelmän avulla. Työssä mitattiin kahdeksan koehenkilön aivotoimintaa fMRI:n avulla heidän seuratessaan kuvaruudulla lintua, joka joko pysyi paikoillaan tai liikkui joko luonnollisessa ulkoympäristössä tai harmaalla taustalla. Työssä pyrittiin tutkimaan, kuinka informaation prosessointi näköaivokuoren eri alueilla eroaa toisistaan näissä tilanteissa. Datan käsittelyssä vertailtiin yleiseen lineaarinen malliin (GLM) perustuvaa menetelmää, joka on tällä hetkellä yleisin fMRI-datan analyysimenetelmä, sekä spatiaalista riippumattomien komponenttien menetelmää (ICA), joka pyrkii erottamaan signaalijoukosta niiden taustalla olevat riippumattomat komponentit sekä niihin liittyvät aikasarjat. Molemmat menetelmät erottelivat selkeitä aktivaatiota näköaivokuorilla. GLM-analyysin mukaan liikkuva lintu aiheutti merkittävimmät aktivaatiot visuaalisilla liikealueilla ja luonnollinen tausta aktivoi primaarisia näköaivoalueita sekä näköaivokuoren objektialueita. ICA erotteli datasta erillisiä komponentteja, jotka vastasivat esimerkiksi primaarisen näköaivokuoren keskeis- ja perifeerisen näön alueita sekä visuaalisia liikealueita. Myös komponenttien aikakäyttäytymiset erosivat toisistaan. Monet GLM- ja ICA-analyysin aktivaatiot vastasivat toisiaan, mutta menetelmät paljastivat myös toisistaan eroavia tuloksia. Tulevaisuudessa tunnettujen ja uusien menetelmien kehitys jatkuu, jotta entistä monipuolisemmissa koetilanteissa mitattujen aivosignaalien tulkinta olisi mahdollista. |
| Tiivistelmä (eng): | Functional magnetic resonance imaging (fMRI) is based on changes in the brain's haemodynamics that are coupled to neural activations. FMRI enables the study of brain functions during various stimuli and tasks. Recent developments in brain imaging technology allow more complex and natural experimental setups, and subsequently also new analysis techniques are required to extract the information from the measured signals. The aim of this thesis was to study information processing in the human brain during natural viewing conditions. The imaging data were analyzed with two different methods. We collected fMRI data from eight subjects, who were viewing a still or a moving bird against a naturalistic landscape or a gray background. We studied activations of different visual areas during the different stimulus conditions. The results of analysis based on general linear model (GLM), which is currently the most common approach to analyze fMRI data, were compared with results of independent component analysis (ICA), a data-driven analysis tool. ICA separates spatially independent signal sources and their time courses from the measured fMRI data. Both methods revealed activations in the posterior visual areas. GLM-based analysis showed different activation patterns for the different stimuli so that the moving bird activated visual motion areas and the naturalistic environment early visual areas and visual object areas. ICA separated several vision-related ICs, covering, e.g., the early visual cortices for central and peripheral visual fields, and the visual motion areas. These components had distinct time courses with different reactions to the different stimulus blocks. In general, the results obtained by the two analysis methods were consistent, but both ICA and GLM also showed activations that the other method missed. In the future, new approaches would be needed for fMRI data analysis to gain knowledge of brain processing of complex and varying stimuli in naturalistic settings. |
| ED: | 2015-05-24 |
INSSI tietueen numero: 51337
+ lisää koriin
INSSI