:: دوره 6، شماره 3 - ( تابستان - 1397 ) ::
دوره 6 شماره 3 صفحات 1-9 برگشت به فهرست نسخه ها
برآورد تابع پاسخ همودینامیک در مغز و تومورهای مغزی: مقایسه مدل‌های لجستیک معکوس و تابع پاسخ همودینامیک کانونی
سیده محبوبه سیدعباسی، سید سلمان ذکریایی، عباس رحیمی فروشانی*
گروه اپیدمیولوژی و آمار زیستی، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران ، rahimifo@tums.ac.ir
چکیده:   (477 مشاهده)
مقدمه: تابع پاسخ همودینامیک، منعکس کننده جریان خون مغزی در پاسخ به فعالیت‌های عصبی نقش مهمی در تجزیه و تحلیل اطلاعات مغزی به دست آمده توسط تصویربرداری تشدید مغناطیسی عملکردی دارد. در این مطالعه مقایسه دو مدل آماری جهت ارزیابی تابع پاسخ همودینامیک به روش بلوکی انجام گردیده است. مواد و روش‌ها: داده‌های تصویربرداری تشدید مغناطیسی عملکردی از 3 بیمار مبتلا به تومور مغزی در یک اسکنر 3 تسلا گرفته شد. تجزیه و تحلیل داده‌های تصویربرداری تشدید مغناطیسی عملکردی با استفاده از جعبه ابزار SPM12 در نرم‌افزار MATLAB انجام شد. شاخص‌های AIC، SBC و MSE جهت انتخاب بهترین مدل تابع پاسخ همودینامیک مورد استفاده قرار گرفتند. یافته‌ها: بر اساس داده‌های شبیه‌سازی، تابع پاسخ همودینامیک برآورد شده توسط مدل تابع پاسخ همودینامیک کانونی به‌علاوه مشتقات زمانی تطابق بیشتری با تابع پاسخ همودینامیک شبیه‌سازی شده داشت. این مدل‌ها بر روی داده‌های واقعی بررسی شد. شاخص‌های MSE، AIC و SBC برای مدل‌های تابع پاسخ همودینامیک کانونی به‌علاوه مشتقات زمانی و لجستیک معکوس (برای مدل‌های تابع پاسخ همودینامیک کانونی به‌علاوه مشتقات زمانی و لجستیک معکوس به ترتیب: 0/052، 1235/1، 1223/9 و 0/068، 1091/5-، 1049/5-) به دست آمد. بر اساس مقادیر متوسط T، W، H و شاخص‌های انتخاب مدل، لجستیک معکوس جهت برآورد تابع پاسخ همودینامیک در نواحی سالم مغز و تومور مغزی مدل مناسب‌تری می‌باشد. نتیجه‌گیری: نتایج مطالعه حاضر می‌تواند جهت بررسی و تشخیص تابع پاسخ همودینامیک در نقاط با متابولیسم بالا کمک کننده باشد. استفاده از مدل لجستیک معکوس جهت برآورد تابع پاسخ همودینامیک در روش بلوکی به بهتر برآورد شدن تابع پاسخ همودینامیک و در نتیجه حفظ سلامت بیمار و کیفیت زندگی پس از عمل جراحی و روش‌های غیر جراحی پزشکی منجر می‌شود.
واژه‌های کلیدی: تصویربرداری تشدید مغناطیسی، مدل لجستیک، مغز
متن کامل [PDF 1752 kb]   (184 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: بيوانفورماتيك در علوم اعصاب
فهرست منابع
1. Aguirre GK, Zarahn E, D'esposito M. The variability of human, BOLD hemodynamic responses. Neuroimage. 1998; 8(4): 360-9. [DOI:10.1006/nimg.1998.0369]
2. Logothetis NK, Pauls J, Augath M, Trinath T, Oeltermann A. Neurophysiological investigation of the basis of the fMRI signal. Nature. 2001; 412(6843): 150-7. [DOI:10.1038/35084005]
3. Bellgowan PS, Saad ZS, Bandettini PA. Bandettini, Understanding neural system dynamics through task modulation and measurement of functional MRI amplitude, latency, and width. Proc Natl Acad Sci U S A. 2003; 100(3): 1415-9. [DOI:10.1073/pnas.0337747100]
4. Handwerker DA, Gonzalez-Castillo J, D'Esposito M, Bandettini PA. The continuing challenge of understanding and modeling hemodynamic variation in fMRI. Neuroimage. 2012; 62(2): 1017-23. [DOI:10.1016/j.neuroimage.2012.02.015]
5. Lindquist MA, Meng Loh J, Atlas LY, Wager TD. Modeling the hemodynamic response function in fMRI: efficiency, bias and mis-modeling. Neuroimage. 2009; 45(1): 187-98. [DOI:10.1016/j.neuroimage.2008.10.065]
6. Muthukumaraswamy SD, Edden RAE, Jones DK, Swettenham JB, Singh KD. Resting GABA concentration predicts peak gamma frequency and fMRI amplitude in response to visual stimulation in humans. PNAS. 2009; 106(20): 8356-61. [DOI:10.1073/pnas.0900728106]
7. D'Esposito M, Deouell LY, Gazzaley A. Alterations in the BOLD fMRI signal with ageing and disease: a challenge for neuroimaging. Nat Rev Neurosci. 2003; 4(11): 863-72. [DOI:10.1038/nrn1246]
8. Iadecola C. Neurovascular regulation in the normal brain and in Alzheimer's disease. Nat Rev Neurosci. 2004; 5(5): 347-60. [DOI:10.1038/nrn1387]
9. Maus B, van Breukelen GJ, Goebel R, Berger MP. Optimal design for nonlinear estimation of the hemodynamic response function. Hum Brain Mapp. 2012; 33(6): 1253-67. [DOI:10.1002/hbm.21289]
10. Lindquist MA, Waugh C, Wager TD. Modeling state-related fMRI activity using change-point theory. NeuroImage. 2007; 35(3): 1125-41. [DOI:10.1016/j.neuroimage.2007.01.004]
11. Friston KJ. Imaging neuroscience: Principles or maps? Proc Natl Acad Sci U S A. 1998; 95(3): 796-802. [DOI:10.1073/pnas.95.3.796]
12. Friston KJ, Glaser DE, Henson RNA, Kiebel S, Phillips C, Ashburner J. Classical and bayesian inference in neuroimaging: applications. Neuroimage. 2002; 16(2): 484-512. [DOI:10.1006/nimg.2002.1091]
13. Worsley KJ, Friston KJ. Friston, Analysis of fMRI time-series revisited—again. Neuroimage, 1995; 2(3): 173-81. [DOI:10.1006/nimg.1995.1023]
14. Shan ZY, Wright MJ, Thompson PM, McMahon KL, Blokland GG, de Zubicaray GI, et al. Modeling of the hemodynamic responses in block design fMRI studies. J Cereb Blood Flow Metab. 2014; 34(2): 316-24. [DOI:10.1038/jcbfm.2013.200]



XML   English Abstract   Print



دوره 6، شماره 3 - ( تابستان - 1397 ) برگشت به فهرست نسخه ها