A computational model of the brain for decoding mental states from fMRI images

Abstract

İşlevsel manyetik rezonans görüntüleme (iMRG) yöntemi kullanılarak elde edilen beyin görüntülerinden beyin çözümlemesi, zihinsel hastalıkların teşhisi, zihinsel durumların belirlenmesi ve beyin makine arayüzlerinin geliştirilmesi için önem arzetmektedir. İMRG görüntüleme deneylerindeki deneysel görev ya da uyaranlarla ilişkili aktivite gösteren voksellerin (hacimli piksel) seçimine dayanan çoklu-voksel örüntü çözümlemesi (ÇÖVÇ) yöntemleri bu iş için en çok kullanılan yöntemlerdir. Her ne kadar, voksel seçimine dayanan ÇÖVÇ, etkinliği gösterilmiş bir yaklaşım olsa da, buna beynin işlem aşamalarına ve gösterimlerine benzer yapıda çalışan bir alternatif bir yaklaşımın olduğunu savunuyoruz. Bu çalışmada, zihinsel durumların çözümlenmesi için aşamalı bir beyin modeli önderiyoruz. Bu önderiğimiz aşamalı model, ilk olarak beyin görüntüsünü, birbirine işlevsel olarak yüksek benzerlik gösteren voksellerden oluşan, süpervoksel olarak adlandırdığımız voksel gruplarına bölütlüyor. Bu süpervokselleri kullanarak, verilen uyaranlar ya da zihinsel görevlerin işlenmesinde görev alan özelleşmiş beyin bölgelerindeki (görsel bir nesne için renk, doku veya şekli işleyen bölgeler gibi) sinirsel aktivitelerinin elde edilmesini amaçlıyoruz. Sonrasında her bir süpervoksel ile elde edilen beyin aktivitelerini, zihinsel durumun çözümlenmesi için, Beyin Bölgesi Toplulukları (BBT) adını verdiğimiz yöntemle birleştiriyoruz. Birden fazla iMRG veri kümesindeki analizlerimiz gösteriyor ki, BBT, zihinsel durumların sınıflandırılması işlevine klasik voksel seçimi yöntemlerinden daha uyumludur. Ayrıca, BBT'nin iki farklı zihinsel durumun için farklı aktivite gösteren ve deneysel uyaranlar ya da görevlerlerle ilişkili beyin bölgelerinin belirlenmesinde kullanılabileceğini gösteriyoruz.

Brain decoding from brain images obtained using functional magnetic resonance imaging (fMRI) techniques is an important task for the identification of mental states and illnesses as well as for the development of brain machine interfaces. The brain decoding methods that use multi-voxel pattern analysis that rely on the selection of voxels (volumetric pixels) that have relevant activity with respect to the experimental tasks or stimuli of the fMRI experiments are the most commonly used methods. While MVPA based on voxel selection is proven to be an effective approach, we argue that an alternative approach exists, which resembles the processing hieararchy of the human brain for the processing and the representation of the mental states.In this study, we propose a hierarchical brain model for brain decoding. The hierarchical model we propose first clusters a brain image into sets of voxels where the voxels that have a highly correlated activity with each other fall into the same set, which we call supervoxels. Using the supervoxels, we aim to capture the nervous activity from specialized brain regions, which are assumed to process a distinct aspect of a given stimulus or mental task such as processing color, texture, or shape of a given visual object. Then, we combine the brain activity represented by each supervoxel using a method that we call Brain Region Ensembles (BRE) in order to decode mental states from fMRI images. Our analyses on multiple fMRI datasets show that the BRE is much better suited to the classification of mental states from fMRI images than classical voxel selection methodology. Additionally, we show that BRE can be used for the specification of brain regions that are relevant to the experimental tasks or stimuli when the aim is to identify the regions that have discriminative activity with respect to two different mental states.