Logo
DeutschClear Cookie - decide language by browser settings
Schöpf, Veronika (2008): Ein mathematisches Verfahren zur Detektion a priori unbekannter Signalverläufe in der funktionellen Magnetresonanztomographie. Dissertation, LMU München: Faculty of Medicine
[img]
Preview
PDF
Schoepf_Veronika.pdf

10Mb

Abstract

Die funktionelle Magnetresonanztomographie (fMRT) ist ein nicht-invasives Verfahren, das es ermöglicht, die Reizverarbeitung im Gehirn zu visualisieren. Für die statistische Analyse der Daten werden standardmäßig hypothesengeleitete Auswerteverfahren auf Basis des allgemeinen linearen Modells (general linear model, GLM) verwendet. Da der Signalanstieg in den Arealen sehr gering ist, muss, um in einem Experiment, das mit der Methode des GLMs ausgewertet werden soll, die Ruhe- und Aktivitätsbedingung mehrere Male wiederholt werden, um das erhaltene Signal besser vom Hintergrundrauschen trennen zu können. In bestimmten Fällen neuronaler Aktivität kann ein Stimulus nicht mehrere Male wiederholt werden, zum Beispiel nach Präsentation eines Reizes durch den ein sensorisches System für längere Zeit verändert wird (z.B. durch Adaptation). Die Methode der Independent Component Analysis (ICA) ist ein datengeleitetes Auswerteverfahren, das es ermöglicht Bilddaten so auszuwerten, dass a priori keine Hypothese über den Verlauf der Zeitkurve oder die Signalintensität bekannt sein muss. In dieser Arbeit konnte gezeigt werden, dass die ICA als datengeleitete Analysemethode reliable Ergebnisse sowohl im Bereich der trigeminalen Stimulation in fMRT Experimenten, als auch im relativ neuen Forschungsfeld der pharmakologischen Stimulation in der funktionellen Bildgebung liefert. Das Auswerteverfahren der ICA stellt somit eine vielversprechende Bereicherung der fMRT-Methodik dar.