Neurowissenschaften: Automatische Auswertung von ICA Ergebnissen auf fMRI Daten

Funktional Magnetic Resonance Imaging (fMRI) ist ein bildgebendes Verfahren zur Darstellung der Aktivierung im Gehirn. Bei den meisten Exprimenten wird der Proband einem Stimulus ausgesetzt (z. B. wird ein Film gezeigt) und die Aktivierung im Gehirn untersucht. Dazu werden in regelmäßigen Zeitabständen (ca. 3 s) 3-D Bilder des Gehirns erhoben. Die Aktivierung im Gehirn kann durch Magnetresonanztomographie aber nur indirekt und zeitlich verzögert über eine erhöhte Blutzufuhr zu den aktivierten Arealen gemessen werden, und die räumliche Auflösung der fMRI Bilder ist aus technischen Gründen begrenzt. Ein Pixel, genannt Voxel ist häufig 3x3x6 mm groß und kann mehrere Gehirnstrukturen beinhalten. Durch die zeitliche Verzögerung zeigt das zu einem Zeitpunkt aufgenommene 3-D Bild eine Mischung von Aktivierungen, deren Ursprung zu verschiedenen Zeiten in der Vergangenheit liegt. Durch die geringe Auflösung zeigt ein Voxel oft die die durchschnittliche Aktivierung von mehreren Gehirnstrukturen. Independent Component Analysis (ICA) ist ein statistisches Verfahren zur Zerlegung von vermischten Signalen in statistisch unabhängige Komponenten und wurde zur Analyse von fMRI Daten schon häufig erfolgreich eingesetzt. ICA kann z. B. dazu eingesetzt werden, eine Zerlegung der Zeitreihe der vermischten beobachteten Bilder in statistisch unabhängige Quellbilder (ICs) und die zugehörigen Zeitreihen zu erzeugen. Die Abbildung zeigt ein Beispiel für zwei ICs mit ihren Zeitreihen. Ein Hauptproblem bei der ICA Analyse ist die zeitaufwendige Interpretation der Ergebnisse. Denn neben wenigen interessanten ICs werden häufig sehr viele ICs gefunden, die dem Rauschen zuzuordnen sind. Die Qualität der ICs wird durch visuelle Inspektion bewertet. Hierbei sind vor allem zwei Aspekte wichtig: Sind die physiologischen Strukturen sinnvoll/interessant? Und: Wie gut korreliert die Zeitreihe mit der Stimulussequenz? Die meisten eingesetzten ICA Algorithmen benötigen mehrere Parameter, so dass häufig viele Durchläufe mit verschiedenen Parametern notwendig sind. Oft werden auch verschiedene Algorithmen ausprobiert, so dass insgesamt sehr viele ICs angeschaut werden müssen.

Ziel dieser Arbeit ist es, einen Algorithmus zu entwickeln, der die Analyse von ICA Ergebnissen auf fMRI Daten unterstützt, so dass nur noch wenige interessante Komponenten von Experten begutachtet werden müssen. Neben der Arbeitserleichterung können ggf. auch bessere Ergebnisse gefunden werden, wenn eine große Anzahl von ICA Durchläufen mit systematischer Variation der Parameter möglich ist.