Bayesian modeling and inference for functional magnetic resonance imaging of the visual cortex

Abstract

Fonksiyonel manyetik rezonans görüntülemenin en etkin kullanımı açısından beyin sinyallerinin istatistiki bir haritayla gösterimi büyük önem taşır. Her bir vokselde bir istatistik oluşturmak için kullanılan genel yaklaşım klasik istatistiktir. Ancak, klasik istatistiğin kullanımında bir çok zorluk mevcuttur, örneğin, çoklu karşılaştırma problemi veya parametrelerin yorumlanmasındaki sınırlar gibi. Bir alternatif olarak, parametrelerin şartlı olasılık dağılımlarına dayanan Bayesçi yaklaşım verilerin değerlendirmesinde kullanılabilir. Bu çalışmada Bayes çıkarımının gücü klasik çıkarımla rasgele etki analizi üzerinden kıyaslandı: Bir simülasyon çalışmasının ardından, görsel olarak uyarılmış deneklerden toplanan grup datası değerlendirildi. Grup seviyesindeki istatistiksel çıkarımın sonuçlarını değerlendirmek için etki büyüklüğünün uyaran frekansıyla değişimi kullanıldı. Etki büyüklüğü eşiği sıfır olan şartlı olasılık haritaları kullanılarak lateral genikülat çekirdeklerin (LGÇ) ve birincil görme korteksinin etki büyüklüklerindeki değişim karşılaştırıldı. Bu karşılaştırmanın yapılabilmesi şartlı olasılıklar bilindiğinde anlamlılık seviyesini düşürmeden etki büyüklüğü eşiğinin değiştirilerek LGÇ'deki aktivitenin görüntülenebilmesi ile mümkün hale geldi; bu durumu verinin boş hipoteze karşı test edildiği klasik istatistikle yapabilmek mümkün değildir. LGÇ'deki aktivite değerinin küçük olmasına karşın birincil görme korteksi ile arasındaki `bağlanırlığı' ve artan görsel uyaranlar sırasında bu iki bölge arasındaki cevap karakteristiğinin farklarını gösterebildik.

For the most effective use of functional magnetic resonance imaging (fMRI), mapping the brain signals to a statistically valid map is crucial. The common approach to create a statistic at each voxel is applying the frequentist or the classical statistics. However, there are many challenges raised by the use of classical statistics to test the functional data such as the multiple comparison problem, and the limitation in the interpretation of the parameters. As an alternative, a Bayesian approach can be used to assess the data based on the posterior probability distributions of the parameters. In this study, the power of Bayesian inference was compared against classical inference in random effect analyses: A group data collected from visually stimulated volunteers was assessed following a simulation study. In order to assess the results of the statistical inference for the group level, the variation of the effect sizes with respect to stimulus frequency was used. A comparison was performed between the change in the effect sizes of lateral geniculate nuclei (LGN) and primary visual area (V1) during graded visual stimulation by using the posteror probability maps (PPMs) with an effect size threshold of zero. This comparison became possible with the fact that once we had the posterior probabilities the activity in LGN was able to be visualized by changing the effect size threshold and without decreasing the significancy threshold, which is not possible to achieve with classical inference where the data is tested against the null hypothesis. Despite of the small magnitude of activation in LGN we could show the connectivity between V1 and LGN and the differences in response characteristics during graded visual stimulation.