Automaticf fMRI learning_simoneromano

Automatic fMRI Learning (AfL)

Simone Romano

Università degli Studi di SalernoTesi di Laurea Magistrale in Informatica

Relatori:Prof. Roberto TagliaferriProf. Fabrizio Esposito

Relatore esterno:Dott. Giancarlo Valente

Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 1 / 38

Outline

1 Introduzione

2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione

3 Risultati

4 Conclusioni


Introduzione

Outline

1 Introduzione


3 Risultati

4 Conclusioni


Introduzione

Ambito

NeuroscienzeInsieme degli studi condotti dalla comunità scientifica sulsistema nervoso.

Neuroimaging funzionaleStudio delle relazioni che intercorrono tra determinatearee cerebrali e specifiche funzioni cerebrali

EEG: elettroencefalogramma

DTI: tensore di diffusione

fMRI: risonanza magnetica funzionale

...


Introduzione

Risonanza magnetica funzionale

fMRITecnica in grado di misurare la risposta emodinamica correlata all’attivitàneuronale del cervello.


Introduzione

Esecuzione dell’esame

Semplice modalità diacquisizioneDifferenti tipologie di task:

visiviuditivimotori...

Durata dell’esperimentocompresa tra i 30 ed i 90minuti


Introduzione

Machine learning ed fMRI

Dati:rappresentazione volumetrica del cervelloun valore di attivazione per ogni voxel nel tempo

Obiettivi dello studio di dati di fMRI:in quale zona cerebrale è concentrata una certa informazionecom’è caratterizzata l’informazione

Tipologie di analisi:Analisi univariateAnalisi multivariate


Introduzione

Automatic fMRI Learning - AfL

INPUT OUTPUT

• fMRI data• Labels• Brain mask

• SVM trained model• Generalization error• Best features

Time series compression

Voxels clustering

ClassificationTrained model

Automatic fMRI Learning


AfL

Outline

1 Introduzione


3 Risultati

4 Conclusioni


AfL Esperimento e dataset

1 Introduzione


3 Risultati

4 Conclusioni



Esperimento



Maschera

Aree cerebrali coinvoltecorteccia motoriacorteccia somatosensoriale

Riduzione del numero di voxelsda circa 50000 a circa 2000



Dati

Modalità acquisizione datiIn totale sono state registrate 96risposte (48 per dito)Un campione ogni 2 secondi

Struttura singola pressioneMatrice t × v :

t = tempo, 8 puntiv = voxel, dimensione di 103



Obiettivi

Gli scopi dell’analisi effettuata sono:Studio della risposta emodinamica legata al particolare taskClassificazione delle due differenti condizioni sperimentali

Pipeline:1 Compressione delle serie temporali2 Raggruppamento dei voxel3 Generazione delle mappe dei cluster4 Stima della risposta emodinamica5 Generazione modello SVM per la generalizzazione su nuovi dati


AfL Compressione dei dati

1 Introduzione


3 Risultati

4 Conclusioni



Compressione serie temporali

Media aritmeticaGLM su tre basi

PCA non lineare



Compressione serie temporali - 1

Data

.

.

.

96 x

8

8

8

8

.

.

.

2*103

GLM 3 basis function

Nonlinear PCA

96 x

33

3

3

3

Data 2*103

96 x

33

3

3

3

Data 2*103

Mean

Data 2*103

96



Clustering voxel

ObiettivoRaggruppamento voxel - riduzione delle dimensionalità

Algoritmi di clustering utilizzati:Partitioning Around MedoidsClustering gerarchico

Metriche di distanza:Correlazione di PearsonCorrelazione di Spearman

Valori di k :k ∈ {5,6,7,8,9,10,20,30,40,50}



Clustering voxel - 1

96 x

33

3

3

3

Data 2*103

96 x

33

3

3

3

Data 2*103

Data 2*103

96x

Data 𝒌

96x

Data 𝒌

Data 𝒌

CLUSTERING

CLUSTERING

CLUSTERING

Linkage – PamPearson - Spearman




AfL Valutazione dei cluster

1 Introduzione


3 Risultati

4 Conclusioni



Mappe dei voxel

Informazioni per ogni cluster:1 Voxel appartenenti al cluster2 Informazioni spaziali dei voxel



Risposta emodinamica

Si parte dal datasetinizialeSi considerano i medoidsoutput del clusteringSi effettua la media deivari samples per ognimedoids


AfL Classificazione

1 Introduzione


3 Risultati

4 Conclusioni


AfL Classificazione

Schema di classificazione

SVM - Support Vector MachinesCross-validation con 6 fold

Stima parametri miglioriSVMFeatures selectionTest delle permutazioni sullelabel

Output (per ogni fold):cluster migliorep-value del test delle permutazioni


AfL Classificazione

Cross-validation


AfL Classificazione

Cross-validation - Multi-pattern

Nota: compressione serie temporali con1 GLM su tre basi2 PCA non lineare (3 componenti)

Schema di classificazione a votazione:Per ogni trial i

utilizzo del modello su ognuno dei 3 pattern del trialil trial è assegnato alla classe vincente 2 volte su 3


AfL Classificazione

Cross-validation - Multi-pattern - 1


AfL Classificazione

Test delle permutazioni


AfL Classificazione



Risultati

Outline

1 Introduzione


3 Risultati

4 Conclusioni


Risultati

Filtro risultati

Per ogni soggetto vengono generati risultati catalogati per:metodologia di compressione serie temporali (media, PCA nonlineare, GLM su 3 basi)algoritmo di clustering utilizzato (PAM, clustering gerarchico)distanza usata per il clustering (Pearson, Spearman)numero di clustertipologia svm (lineare/non lineare)

I risultati vengono filtrati automaticamente cercando:media 6 one shot più bassaalmeno 4/6 p-value significativi


Risultati

Media errori migliori one-shot

SubjectsAZ - AZ significant (4/6) GV - GV significant (5/6) JE - JE significant (4/6)

Err

or %

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

MEAN Linkage Spearman 5

SVM non linear

GLM Pam Spearman 5

SVM non linear

MEAN Linkage Spearman 9

SVM non linear

One shot results - mean


Conclusioni

Outline

1 Introduzione


3 Risultati

4 Conclusioni


Conclusioni

Discussioni

Pipeline generale per trattare dati fMRICompressione dei datiValutazione dei clusterModello per la classificazione

Punti di forza:Miglioramenti soddisfacenti (rispetto alavori precedenti)Riutilizzabile per altre tipologie didataset

Sviluppi futuri:Utilizzo della pipeline su altri soggettiper valutare le features selezionate


Conclusioni

Grazie per l’attenzione


Automaticf fMRI learning_simoneromano

Science

Transcript of Automaticf fMRI learning_simoneromano