During the last century, many innovations in medicine, chemistry, and physics allowed a deeper insight into organization and functionality of the brain. One of the newest of these methods is functional magnetic resonance imaging (fMRI), which, compared to other techniques, achieves a high spatial resolution. Aim of this thesis is to introduce, illustrate, and discuss a new way of investigating ...
Abstract (English)
During the last century, many innovations in medicine, chemistry, and physics allowed a deeper insight into organization and functionality of the brain. One of the newest of these methods is functional magnetic resonance imaging (fMRI), which, compared to other techniques, achieves a high spatial resolution. Aim of this thesis is to introduce, illustrate, and discuss a new way of investigating connections between brain areas using fMRI data. The key idea of this thesis is to replace the state of the art representation of a brain region's temporal behavior by its first PCA component with time-series associated to multi-variate patterns (MVP) of a region. Now each region can be represented by several time-courses, each one associated with the activation of a multi-variate pattern of the area. To identify multi-voxel patterns and their activation courses, independent component analysis (ICA) was used. During my thesis, this concept is referred to as pattern connectivity. Pattern connectivity states not only a generalization of the existing method, but also yields a more intuitive representation of brain regions and allows to map and study more complex behaviors of brain regions. The analysis of two fMRI experiments and synthetic fMRI data illustrates the proposed method. The first experiment validated pattern connectivity by comparing it to the state of the art method. The second experiment in which the behavior of one of the regions can not be represented by a single time course is described. Here, pattern connectivity was able to validate an intuitive hypothesis about underlying connections. In addition, pattern connectivity revealed the used connectivity structure used to generate a synthetic fMRI data set. The major goal of the present work was to show that, for fMRI data, it is possible to study neuronal connectivity between multi-voxel patterns instead of brain regions by providing, validating, and illustrating the new concept of pattern connectivity, and by identifying and solving problems arising with its implementation.
Translation of the abstract (German)
Während des letzten Jahrhunderts führten zahlreiche Entdeckungen der Medizin, Chemie und Physik zu einem immer detaillierteren Bild der Organisation und Funktionsweise des menschlichen Gehirns. Eine dieser Entdeckungen war die funktionelle Magnetresonanztomographie (fMRT), die, verglichen mit anderen bildgebenden Verfahren, eine sehr feine räumliche Auflösung erreicht. Ziel der vorliegenden ...
Translation of the abstract (German)
Während des letzten Jahrhunderts führten zahlreiche Entdeckungen der Medizin, Chemie und Physik zu einem immer detaillierteren Bild der Organisation und Funktionsweise des menschlichen Gehirns. Eine dieser Entdeckungen war die funktionelle Magnetresonanztomographie (fMRT), die, verglichen mit anderen bildgebenden Verfahren, eine sehr feine räumliche Auflösung erreicht. Ziel der vorliegenden Arbeit war es eine neue Methode einzuführen, die eine detailliertere Untersuchung der Verbindungen zwischen verschiedenen Hirnarealen als bisherige Verfahren ermöglicht. Die Kernidee meiner Arbeit ist es die Repräsentation eines Areals durch den zeitlichen Verlauf seiner ersten Hauptkomponente (PCA) durch Zeitverläufe sogenannter multi-variater Muster der Region zu ersetzen. Nun kann jede Region durch mehrere Zeitverläufe repräsentiert werden, wovon jeder zu einem Aktivitätsmuster der Region gehört. Die 'Independent Component Analysis' (ICA) wurde verwendet, um diese räumlichen und dazugehörigen zeitlichen Muster zu bestimmen. Dieses Vorgehen wird während meiner Arbeit als 'Pattern Connectivity' bezeichnet. Daduch ist mit Pattern Connectivity nicht nur eine echte Verallgemeinerung des bestehenden Verfahrens gegeben, sondern auch es wird auch eine intuitivere Darstellung der Hirnareale verwendet, um komplexeres Verhalten der untersuchten Regionen zu beschreiben. Anhand zweier fMRT Experimente und künstlicher Daten wird die neue Methode eingeführt. Das erste Experiment validiert Pattern Connectivity, indem es Ergebnisse der Methode mit Ergebnissen bestehender Verfahren vergleicht. Im zweiten Experiment ist das Verhalten einer Region nicht mehr nur durch einen Zeitverlauf darstellbar und eine intuitive Hypothese wird mithilfe von Pattern Connectivity validiert. Zusätzlich war es möglich die zugrunde liegende Verbindungsstruktur eines künstlichen Datensatzes mittels Pattern Connectivity zurückzugewinnen. Das Hauptziel meiner Arbeit war es ein Werkzeug bereitzustellen und zu validieren mit dem es möglich ist neuronale Konnektivität zwichen multi-variaten Mustern und nicht nur Regionen anhand von fMRT Daten zu untersuchen, und dabei entstehende Probleme zu identifizieren und Lösungen aufzuzeigen.
Download Statistics