Gürbüz denetimsiz öğrenme yaklaşımı ile beynin aktif bölgelerini FMRI verileriyle çıkarma

Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI) beyin fonksiyonlarının görüntülenmesi için sağlam, noninvaziv ve modern bir tekniktir. Bununla birlikte, fMRI testlerinden elde edilen veriler, çeşitli faktörler nedeniyle doğrudan yorumlanamaz. Bu faktörler, sinyal zayıflığı, fMRI verilerindeki gürültülerden ve ilgi duyulan önemli aktivasyonların diğer türlerden ayrılmasının zorluğudur. Ham fMRI verilerinin karmaşıklığı, görüntü dönüştürme, okuma / yazma ve bilgi çıkarma gibi verilerle çoklu işlemlerin karşılaştığı önemli zorluklara yol açar. Bu engelleri ve zorlukları aşmak için, bu tezde fMRI veri analizi için önerilen bir iş akışı önerilmiştir. DICOM (Tıpta Dijital Görüntüleme ve İletişim) dönüşümünden başlayarak, daha sonra her adımdaki verilerin kalitesini, ön işlemenin ardışık düzen adımlarını kontrol ederek ve fMRI'nin bir postprocessing analizi olarak kümeleme yöntemini önererek biten fMRI verilerinin eksiksiz bir analizini içerir. Sonuç olarak, bu tezin ilk bölümünde, çok formatlı fMRI verilerini görselleştirirken karşılaşılan sorunların çoğunu ele almak için yeni bir dönüşüm ve görselleştirme fMRI (VCfMRI) araç kutusu paketi tasarlanmış ve geliştirilmiştir. Sunulan tasarım tezin ilk önemli katkısıdır. Bu tezde, VCfMRI aracı genişletilmiş ve fMRI verilerinin kapsamlı bir analizini içerecek şekilde güncellenmiştir. Geliştirilen araca CPREPP fMRI adı verilir ve burada ön işlem adımları istatistiksel analize ek olarak eklenir. Bu tezin temel amacı insan beyninin aktivasyon bölgelerini belirlemektir. Bu nedenle, bu amaç için henüz kullanılmamış olan Nöral Gaz (NG) yöntemiyle karşılaştırma için fMRI verilerinde Geliştirilmiş Nöral Gaz (ENG) algoritmasının kullanılmasına dayanan yeni bir denetimsiz öğrenme yaklaşımı önerilmektedir. Bu tezden önemli bir katkı olduğu düşünülmektedir. Önerilen ENG yönteminin performansını fMRI ile değerlendirmek ve istatistiksel parametrik haritalama (SPM) kullanarak bir kümeleme yaklaşımı (NG algoritması) ve model tabanlı veri analizi ile karşılaştırmak için dört doğrulama indeksi uygulanır. Gerçek işitsel fMRI verileri üzerindeki karşılaştırma sonuçları, ENG'nin giriş veri dizisinin sırasına karşı duyarsızlığı, bir dizi nöron seçmek için çeşitli başlatmalar ve aşırı değerlerin (aykırı değerler) nedeniyle NG ve SPM yöntemlerinden daha iyi performans gösterdiğini göstermektedir. ENG tekniği, fMRI verileriyle NG uygulamasının tüm eksikliklerini çözebilir, insan beyninin aktif alanını etkili bir şekilde tanımlayabilir ve ağ öğrenme sürecinde MDL değerine göre küme merkezinin konumlarını belirleyebilir.