View
3
Download
0
Category
Preview:
Citation preview
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 2 / 38
Introduzione
Outline
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 3 / 38
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
...
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 4 / 38
Introduzione
Risonanza magnetica funzionale
fMRITecnica in grado di misurare la risposta emodinamica correlata all’attivitàneuronale del cervello.
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 5 / 38
Introduzione
Esecuzione dell’esame
Semplice modalità diacquisizioneDifferenti tipologie di task:
visiviuditivimotori...
Durata dell’esperimentocompresa tra i 30 ed i 90minuti
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 6 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 7 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 8 / 38
AfL
Outline
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 9 / 38
AfL Esperimento e dataset
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 10 / 38
AfL Esperimento e dataset
Esperimento
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 11 / 38
AfL Esperimento e dataset
Maschera
Aree cerebrali coinvoltecorteccia motoriacorteccia somatosensoriale
Riduzione del numero di voxelsda circa 50000 a circa 2000
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 12 / 38
AfL Esperimento e dataset
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 13 / 38
AfL Esperimento e dataset
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 14 / 38
AfL Compressione dei dati
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 15 / 38
AfL Compressione dei dati
Compressione serie temporali
Media aritmeticaGLM su tre basi
PCA non lineare
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 16 / 38
AfL Compressione dei dati
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 17 / 38
AfL Compressione dei dati
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}
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 18 / 38
AfL Compressione dei dati
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
Linkage – PamPearson - Spearman
Linkage – PamPearson - Spearman
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 19 / 38
AfL Valutazione dei cluster
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 20 / 38
AfL Valutazione dei cluster
Mappe dei voxel
Informazioni per ogni cluster:1 Voxel appartenenti al cluster2 Informazioni spaziali dei voxel
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 21 / 38
AfL Valutazione dei cluster
Risposta emodinamica
Si parte dal datasetinizialeSi considerano i medoidsoutput del clusteringSi effettua la media deivari samples per ognimedoids
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 22 / 38
AfL Classificazione
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 23 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 24 / 38
AfL Classificazione
Cross-validation
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 25 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 26 / 38
AfL Classificazione
Cross-validation - Multi-pattern - 1
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 27 / 38
AfL Classificazione
Test delle permutazioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 28 / 38
AfL Classificazione
Test delle permutazioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 29 / 38
AfL Classificazione
Test delle permutazioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 30 / 38
AfL Classificazione
Test delle permutazioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 31 / 38
AfL Classificazione
Test delle permutazioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 32 / 38
Risultati
Outline
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 33 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 34 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 35 / 38
Conclusioni
Outline
1 Introduzione
2 AfLEsperimento e datasetCompressione dei datiValutazione dei clusterClassificazione
3 Risultati
4 Conclusioni
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 36 / 38
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
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 37 / 38
Conclusioni
Grazie per l’attenzione
Simone Romano (Università degli Studi di Salerno) Automatic fMRI Learning - AfL 25/07/2016 38 / 38
Recommended