Clustering functional mri data using a robust unsupervised learning algorithm

Abstract

Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI), kandaki oksijen seviyelerini hesaplayarak ve bir dizi 3 – boyutlu görüntü oluşturarak beyin aktivitesini incelemede sinir bilimciler için güçlü bir araç olmuştur. Kümeleme yaklaşımı model içermeyen bir analizdir; bu yaklaşım, klasik ve istatistiksel Genel Doğrusal Model (GLM) olarak, aktivasyon desenleri veya deney hakkında önceden bilgi sahibi olmaksızın beyindeki aktif bölgeleri tanımlama özelliğine sahiptir.Bu araştırmanın amacı, tüm beyinin işlevsel bağlantı veri analizinde en iyi performansı elde etmeye yönelik uygun bir kümeleme yöntemi seçmek için çözüm bulmaktır. Bu çalışmada, gerçek bir işitsel fMRI veri setine ve Güçlü Artan Sinirsel Gaz (RGNG) algoritması kullanımına dayanan yeni ve güçlü bir denetimsiz öğrenme yöntemi önerilmiştir. Bu çalışmanın başlıca katkısı, NG ve GNG algoritmalarıyla mukayese ederek, daha önce bu amaç için veya başka herhangi bir uygulamada kullanılmayan RGNG algoritmasının fMRI veri setleri ile iç içe kullanılmasıdır. GLM'ne dayalı İstatistiksel Parametrik Eşleme (SPM) paketi kullanarak model tabanlı veri analizi yöntemi ile diğer bir karşılaştırma daha yapılmıştır. Çıktı sonuçları, önerilen RGNG yönteminin, Minimum Tanımlama Uzunluğu (MDL) ve Alıcı İşletimsel Özellikler (ROC) analizi ile ölçülen performanslarıyla ortaya konduğu üzere, diğer yöntemlerden açık ara daha üstün olduğunu göstermektedir.fMRI veri analizi için MATLAB tabanlı bir Grafiksel Kullanıcı Arayüzü (GUI) yazılım paketi olarak tasarlanmış ve uygulanmıştır. Bu çalışmada, sinirbilimi araştırmacılarının verilerini analiz edebilecekleri ve kolayca erişebilecekleri yeni bir model geliştirilmiştir. Önerilen bu model, fMRI veri setinin daha iyi yorumlanması için nörolog ve psikologlara yardımcı olabilecektir.

Functional Magnetic Resonance Imaging (fMRI) has provided neuroscientists with a powerful tool to examine brain activity by calculating the levels of oxygen in the blood and generates a sequence of 3-D images. Clustering approach is a model-free analysis; it has the ability of defining the active zones in the brain without the need of prior knowledge about activation patterns or experiment as the classical and statistical General Linear Model (GLM) method.The goal of this proposal is to find a solution for choosing an appropriate clustering approach to obtain the best performance for whole brain functional connectivity by means of data analysis. In this work, a novel and robust unsupervised learning approach is proposed; it relies on using a Robust Growing Neural Gas (RGNG) algorithm into a real auditory fMRI dataset. The main contribution of this work is running the RGNG algorithm into fMRI dataset with a comparison to NG and GNG algorithms, which is not used for the purpose yet or any other applications also. Another comparison has been done with the model-based data analysis approach using a Statistical Parametric Mapping (SPM) package which is based on GLM. The output results demonstrate that the presented RGNG approach is clearly superior to other approaches as revealed by their performance measured by Minimum Description Length (MDL) and Receiver Operating Characteristic (ROC) analysis.A MATLAB-based graphical user interface (GUI) tool is designed and implemented as a software package for fMRI data analysis. A new model for neuroscience data analysis is developed in this work which is easily accessible by researchers. The proposed work could help the neurologist and psychologist for better interpretation of fMRI dataset.