جستجوی مقالات مرتبط با کلیدواژه
bayesian spatiotemporal model
در نشریات گروه پزشکی
تکرار جستجوی کلیدواژه bayesian spatiotemporal model در مقالات مجلات علمی
-
هدفدر سال های اخیر تصویربرداری تشدید مغناطیسی عمل کردی (fMRI) به منظور تعیین نقاط فعال مغز در شرایط گوناگون، بسیار مورد توجه قرار گرفته است. روش های آماری نقش اساسی در تحلیل داده های تصویری دارند. داده های fMRI ساختار پیچیده ای از همبستگی های زمانی و فضایی سه بعدی دارند. به علاوه دریافت پاسخ نسبت به زمان اعمال محرک تاخیر دارد، که به عنوان تابع پاسخ همودینامیکی (HRF) شناخته می شود. توجه به این ساختارهای پیچیده ی همبستگی و نیز رفتار HRF در مدل سازی آماری اهمیت ویژه ای دارد. در مقاله حاضر یک مدل مکانی-زمانی بیزی جدید معرفی می شود که در تحلیل داده های fMRI با هدف تعیین نقاط فعال کاربرد دارد.مواد و روش هاداده های تصویری مورد استفاده در این مقاله مربوط به محرک back-2 است که بخشی از پروژهی My Connectome بوده و در سال 2015 در دانشگاه استنفورد اجرا شده است. مدل مکانی زمانی سه بعدی ارائه شده روی داده های مذکور برازش داده شد به گونه ای که HRF برای هر واکسل به طور مجزا بر اساس داده های آن، برآورد شده و ساختارهای پیچیده ی همبستگی بین داده ها در مدل لحاظ گردد. از نرم افزار FSL برای پیش پردازش تصاویر و از برنامه نویسی در محیط متلب جهت مدل سازی آماری استفاده شد.یافته هانتایج حاصل از برازش مدل آماری نشان داد که محرک back-2 منجر به فعالیت بخش هایی از نواحی inferior parietal و frontal در مغز گردید.نتیجه گیریدر این پژوهش یک مدل مکانی-زمانی بیزی جدید به عنوان روشی مناسب برای تعیین نقاط فعال در سری های زمانی fMRI معرفی شد. مدل مکانی-زمانی بیزی معرفی شده در این مطالعه، به دلیل در نظر گرفتن هم زمان ساختارهای همبستگی پیچیده و نیز برآورد HRF مختص هر واکسل، رویکرد مناسبی در تحلیل داده های fMRI است.کلید واژگان: تصویربرداری تشدید مغناطیسی عملکردی، تابع پاسخ همودینامیکی، مدل مکانی زمانی بیزیKoomesh, Volume:19 Issue: 4, 2017, PP 845 -851IntroductionIn recent years, Functional Magnetic Resonance Imaging (fMRI) has been highly regarded for determining activated areas of brain in different conditions. Statistical methods have a crucial role in analyzing fMRI data. These data have complicated 3-dimentional spatial and temporal correlation structures. Also, there is a time lapse between the stimulus onset and response, which is known as Hemodynamic Response Function (HRF). It is very important to consider the complex correlation structures and the behavior of HRF in statistical modeling. In present paper, a Bayesian spatiotemporal model is introduced that is applied to analyze fMRI data for detecting the activated areas of brain.Materials And MethodsImages related to 2-back task, obtained from a part of the My Connectome Project, was used that is implemented in Stanford University in 2015. The 3D spatiotemporal proposed model was fitted on the data, so that HRF is estimated for each voxel based on its data, separately, and complex correlation structures are also considered. FSL software was used for preprocessing of images and Matlab software was used for statistical modeling.ResultsThe results of statistical models show that some parts of inferior parietal and also frontal areas were activated by the task.ConclusionA Bayesian spatiotemporal model was introduced as a suitable method for identifying activated areas in fMRI time series. Because of considering both of complex correlation structures and estimated HRF, our proposed model can be a perfect approach for analyzing of these dataKeywords: Functional Magnetic Resonance Imaging, Hemodynamic Response Function, Bayesian Spatiotemporal Model
نکته
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.