Dokument: Statistical Learning of Biological Structure in Human Brain Imaging

Titel:	Statistical Learning of Biological Structure in Human Brain Imaging
Weiterer Titel:	Statistisches Lernen Biologischer Struktur in Humaner Gehirnbildgebung
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=37121
URN (NBN):	urn:nbn:de:hbz:061-20160215-092030-2
Kollektion:	Dissertationen
Sprache:	Englisch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Bzdok, Danilo [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 12,70 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 12.02.2016 / geändert 12.02.2016
Beitragende:	Prof. Dr. med. Eickhoff, Simon B. [Betreuer/Doktorvater] Prof. Dr. Conrad, Stefan [Betreuer/Doktorvater]
Dewey Dezimal-Klassifikation:	000 Informatik, Informationswissenschaft, allgemeine Werke » 004 Datenverarbeitung; Informatik
Beschreibungen:	Imaging neuroscience links human behavior to aspects of brain biology. The recent passage from classical "long data" (N samples > p variables) to the high-dimensional regime (N << p) makes gradient-based machine-learning methods attractive. These allowed revisiting two major views on human brain organization: functional specialization by distinct cortical areas and functional integration by long-range connections of macroscopical networks. In the first part, functional specialization was reframed as unsupervised search for discrete local patterns in neural activity fluctuations by clustering algorithms. Extensive brain connectivity data was exploited to derive neurobiologically plausible local compartments with distinct connectivity profiles in a data-driven fashion. In the second part, functional integration was reframed as supervised search for matrix decomposition models that predict overlapping global activity patterns. Two large neuroimaging repositories were exploited to quantify the neurophysiologically meaningful composition of large-scale brain networks during traditional psychological tasks. In the third part, structure discovery and structure inference were reframed into a compound semi-supervised learning problem. Flexible matrix decomposition by factored logistic regression and autoencoder architectures demonstrated superior model performance and neurobiological interpretability. Taken together, targeted neuroscientific questions have been successfully reframed as statistical optimization problems. The algorithmic reduction of neural activity maps to their neurobiological essence may extend current methods and permissible conclusions. Die bildgebenden Neurowissenschaften verbinden menschliches Verhalten mit Aspekten der Gehirnbiologie. Der kürzliche Übergang von dem klassischen "long data" (N Stichproben > p Variablen) zu dem hoch-dimensionalen "wide data" (N << p) Regime machen gradienten-basierte maschinelle Lernmethoden attraktiv. Diese erlauben die Reintegration von zwei unterschiedlichen Perspektiven auf menschliche Hirnorganisation: funktionelle Spezialisierung in einzelne kortikale Areale und funktionelle Integration durch Verbindungen zwischen makroskopischen Netzwerken. Im ersten Teil wird funktionelle Spezialisierung als die nicht-supervidierte Suche von diskreten lokalen Mustern neuronaler Aktivitätsfluktuationen durch Clusteringalgorithmen reinterpretiert. Großangelegte Hirnkonnektivitätsdaten werden genutzt, um neurobiologisch plausible lokale Kompartimente mit spezifischen Konnektivitätsprofilen auf datengetriebene Weise abzuleiten. Im zweiten Teil wird funktionelle Integration als die supervidierte Suche von Matrixdekompositionensmodellen reinterpretiert, die überlappende globale Aktivierungsmuster vorhersagen. Zwei große Bildgebungsdatensätze wurden genutzt, um neurophysiologisch bedeutsame Zusammensetzungen der makroskopischen Hirnnetzwerke während traditioneller psychologischer Aufgaben zu quantifizieren. Im dritten Teil wurden Strukturentdeckung und Strukturinferenz als ein einheitliches semisupervidiertes Lernproblem reinterpretiert. Flexible Matrixdekomposition durch faktorielle Logistische Regression und Autencoder-Architekturen zeigten überlegene Modellperformance und neurobiologische Interpretierbarkeit. Zusammenfassend wurden gezielte neurowissenschaftliche Fragen erfolgreich als statistische Optimierungsprobleme reformuliert. Die algorithmische Reduktion von neuronalen Aktivierungskarten auf ihre neurobiologische Essenz könnte die gegenwärtigen Analysemethoden und möglichen Schlussfolderungen erweitern.
Lizenz:	Urheberrechtsschutz
Fachbereich / Einrichtung:	Mathematisch- Naturwissenschaftliche Fakultät » WE Informatik
Dokument erstellt am:	15.02.2016
Dateien geändert am:	15.02.2016
Promotionsantrag am:	23.10.2015
Datum der Promotion:	25.01.2016