Tato diplomová práce se zabývá exploratorní analýzou využitelnosti rozšířené metody ICA postavené na mixovacím modelu CSV. Konkrétním cílem práce bylo zhodnotit využití ICA CSV na datech funkční magnetické rezonance a porovnat výsledky s klasickou metodou ICA. Dále bylo předmětem experimentálně nalézt vhodnou parametrizaci rozšířené metody. V úvodní části diplomové práce jsou ujasněny klíčové pojmy a teoretický základ pro část praktickou, jež se skládá z pěti experimentů. Nejdříve byly nalezeny vhodné parametry pro dosažení nejlepších možných výsledků podle korelačního koeficientu. Tato parametrizace byla otestována na nezávislé datové sadě, která potvrdila výsledky ze sady původní. Následně bylo vyzkoušeno rozdělení vstupních dat do bloků dle mozkových regionů, což umožňuje rozšířená metoda. Toto rozdělení vedlo k dosažení lepších výsledků v nalezení problémové komponenty. Na závěr práce jsou navržena doporučení pro výpočet rozšířené metody na běžném PC.
Anotace v angličtině
This thesis deals with exploratory analysis of the use of the extended ICA method with constant separating vector (CSV). The goal was to evaluate the use of the ICA CSV on fMRI data sets and compare the result with the ICA. Another goal was to experimentaly find a suitable parametrization of the extended method. The introductory part of the thesis specifies the key words and theory needed for the experimental part, which consists of five experiments. Firstly, suitable parameters which led to the best results according to the corelation coeficient were found. These parametres were tested on an independent data set and the setting of the parameters was confirmed to be suitable. After that, slicing of the input data based on the anatomy of the brain regions was tested. This was made possible due to the use of the extended method. The slicing of the data set resulted in better results in finding a problematic component. Lastly, author summarizes recommendations for use of the extended method on a PC.
Klíčová slova
PCA, ICA, ICA CSV, fMRI, BSS, BSE, IC, ICN, FCN
Klíčová slova v angličtině
PCA, ICA, ICA CSV, fMRI, BSS, BSE, IC, ICN, FCN
Rozsah průvodní práce
62
Jazyk
CZ
Anotace
Tato diplomová práce se zabývá exploratorní analýzou využitelnosti rozšířené metody ICA postavené na mixovacím modelu CSV. Konkrétním cílem práce bylo zhodnotit využití ICA CSV na datech funkční magnetické rezonance a porovnat výsledky s klasickou metodou ICA. Dále bylo předmětem experimentálně nalézt vhodnou parametrizaci rozšířené metody. V úvodní části diplomové práce jsou ujasněny klíčové pojmy a teoretický základ pro část praktickou, jež se skládá z pěti experimentů. Nejdříve byly nalezeny vhodné parametry pro dosažení nejlepších možných výsledků podle korelačního koeficientu. Tato parametrizace byla otestována na nezávislé datové sadě, která potvrdila výsledky ze sady původní. Následně bylo vyzkoušeno rozdělení vstupních dat do bloků dle mozkových regionů, což umožňuje rozšířená metoda. Toto rozdělení vedlo k dosažení lepších výsledků v nalezení problémové komponenty. Na závěr práce jsou navržena doporučení pro výpočet rozšířené metody na běžném PC.
Anotace v angličtině
This thesis deals with exploratory analysis of the use of the extended ICA method with constant separating vector (CSV). The goal was to evaluate the use of the ICA CSV on fMRI data sets and compare the result with the ICA. Another goal was to experimentaly find a suitable parametrization of the extended method. The introductory part of the thesis specifies the key words and theory needed for the experimental part, which consists of five experiments. Firstly, suitable parameters which led to the best results according to the corelation coeficient were found. These parametres were tested on an independent data set and the setting of the parameters was confirmed to be suitable. After that, slicing of the input data based on the anatomy of the brain regions was tested. This was made possible due to the use of the extended method. The slicing of the data set resulted in better results in finding a problematic component. Lastly, author summarizes recommendations for use of the extended method on a PC.
Klíčová slova
PCA, ICA, ICA CSV, fMRI, BSS, BSE, IC, ICN, FCN
Klíčová slova v angličtině
PCA, ICA, ICA CSV, fMRI, BSS, BSE, IC, ICN, FCN
Zásady pro vypracování
Funkční magnetická rezonance fMRI umožňuje monitorovat mozkovou aktivitu v čase. Pomocí metod slepé separace existuje několik způsobů, jak tato data analyzovat a rozložit je, například na funkční sítě a časové průběhy. Z nich lze dále odvodit digitální biomarkery, které dokáží indikovat různé patologické poruchy, jako je třeba schizofrenie. Úkoly pro vypracování jsou následující.
Student se seznámí s problematikou získávání fMRI záznamů, s technickými parametry a postupy pro předzpracování zejména metodou Analýzy hlavních komponent. Dále se seznámí s cíly a postupy, kdy je k analýze dat využívána metoda ICA a se samotnou metodou ICA a jejím rozšířením založeném na mixovacím modelu CSV. Tuto rešeršní část popíše v úvodních kapitolách DP.
Student provede repliku experimentu skupinové ICA na vybrané sadě dostupných záznamů a porovná výsledné prostorové mapy s mapami očekávanými, k čemuž zavede vhodné kritérium a vizuální nástroj.
Experiment provede pomocí rozšířené metody ICA postavené na mixovacím modelu CSV. Zvolí postupy a nastavení parametrů tak, aby dosáhl co nejlepších výsledků z hlediska očekávaných prostorových map. Například může vyzkoušet různá dělení voxelů do regionů. Výsledky se pokusí ověřit. na jiné nezávislé sadě dat.
Navrhne doporučení, kterým by se rozšířená metoda mohla používat v praxi tak, aby výpočet trval krátkou dobu a byl zvladatelný na běžném PC.
Zásady pro vypracování
Funkční magnetická rezonance fMRI umožňuje monitorovat mozkovou aktivitu v čase. Pomocí metod slepé separace existuje několik způsobů, jak tato data analyzovat a rozložit je, například na funkční sítě a časové průběhy. Z nich lze dále odvodit digitální biomarkery, které dokáží indikovat různé patologické poruchy, jako je třeba schizofrenie. Úkoly pro vypracování jsou následující.
Student se seznámí s problematikou získávání fMRI záznamů, s technickými parametry a postupy pro předzpracování zejména metodou Analýzy hlavních komponent. Dále se seznámí s cíly a postupy, kdy je k analýze dat využívána metoda ICA a se samotnou metodou ICA a jejím rozšířením založeném na mixovacím modelu CSV. Tuto rešeršní část popíše v úvodních kapitolách DP.
Student provede repliku experimentu skupinové ICA na vybrané sadě dostupných záznamů a porovná výsledné prostorové mapy s mapami očekávanými, k čemuž zavede vhodné kritérium a vizuální nástroj.
Experiment provede pomocí rozšířené metody ICA postavené na mixovacím modelu CSV. Zvolí postupy a nastavení parametrů tak, aby dosáhl co nejlepších výsledků z hlediska očekávaných prostorových map. Například může vyzkoušet různá dělení voxelů do regionů. Výsledky se pokusí ověřit. na jiné nezávislé sadě dat.
Navrhne doporučení, kterým by se rozšířená metoda mohla používat v praxi tak, aby výpočet trval krátkou dobu a byl zvladatelný na běžném PC.
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\theenumi]}
Rangaraj M. Rangayyan. {Biomedical Signal Analysis: A Case-Study
. John Wiley & Sons Inc (sea) Pte Ltd., 2002. ISBN 981412611X.
Seznam doporučené literatury
\renewcommand{\labelenumi}{[\theenumi]}
Rangaraj M. Rangayyan. {Biomedical Signal Analysis: A Case-Study
. John Wiley & Sons Inc (sea) Pte Ltd., 2002. ISBN 981412611X.
Přílohy volně vložené
-
Přílohy vázané v práci
ilustrace, schémata
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
Průběh obhajoby je zveřejněn pouze přihlášenému uživateli.