Tez No	İndirme	Tez Künye	Durumu
418291		An fMRI Segmentation Method Under Markov Random Fields for brain decoding / Zihinsel aktivitelerin çözümlenmesi amacıyla Markov Rasgele Alanları Üzerinde Geliştirilen fMRG Bölütleme Yöntemi Yazar:EMRE AKSAN Danışman: PROF. DR. FATOŞ TUNAY YARMAN VURAL Yer Bilgisi: Orta Doğu Teknik Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Bölütleme = Segmentation ; Kümeleme = Clustering ; Manyetik rezonans görüntüleme = Magnetic resonance imaging ; Markov rastgele alanları = Markov random fields	Onaylandı Yüksek Lisans İngilizce 2015 105 s.
Bu çalışmada fMRG voksellerini "türdeş" bölgelere ayırmak amacıyla f-MRA isimli yeni bir bölütleme metodu önerilmiştir. f-MRA, türdeş voksel bölütlerini bir karışım yoğunluğu çözümleyerek kestirmektedir. Bu amaçla, fMRG çalışmalarında kullanılan tek değişkenli analiz ve çoklu değişkenli analiz teknikleri Markov Rasgele Alan (MRA) aracılığı ile bir arada uygulanmıştır. Tek değişkenli analiz kullanılarak, her bir vokselin diğer voksellerden bağımsız tekil aktivasyon düzeni kestirilmektedir. Vokseller arasındaki yerel etkileşimleri yakalayabilmek için voksellerin komşuları ile olan ikili fonksiyonel benzerlikleri kullanılmıştır. Voksellerin aktivasyon düzenleri tekil özniteliklere karşılık gelmekteyken, vokseller arasındaki fonksiyonel benzerlikler ise ikili öznitelikler olarak tanımlanmıştır. f-MRA, enerji fonksiyonunda her iki öznitelik uzayını bir arada kullanarak, beyindeki vokselleri fonksiyonel olarak türdeş ve uzamsal olarak bütünleşik kümelere ayırabilmektedir. Voksel uzayı, tekil aktivasyon düzenleri üzerinde Gaussian karışım modeli ile modellenmişken; küme etiketleri, ikili fonksiyonel benzerlikler üzerinde Markov Rasgele Alanı olarak tanımlanmıştır. Her bir vokselin küme etiketinin bulunması amacıyla iki adımlı bir yineleme yaklaşımı izlenmiştir. Buna göre, karışım modelinin parametreleri kullanılarak MRA enerji fonksiyonunun en düşük değeri aldığı küme etiketleri kestirilir. Bu küme etiketleri kullanılarak bir sonraki adım için modelin parametreleri tekrar hesaplanır. Yinelemeler sonucunda elde edilen sonuç genellikle, aktiflik göstermeyen vokselleri içeren az sayıda büyük kümeden oluşmaktadır. Aktif vokseller ise çok daha küçük boyutlardaki kümelerde toplanmıştırlar. Voksel uzayının fonksiyonel olarak türdeş parçalara bölünmesi ile datanın temsil gücünün artmasını beklemekteyiz. Bu sebeple, f-MRA yönteminin zihinsel aktivite çözümlenmesi probleminde kullanılmasını önermekteyiz. Buna göre elde edilen türdeş bölgeler, voksel seçimi veya öznitelik çıkarımı adımlarında kullanılabilir. Yapılan karşılaştırmalı testlerde, f-MRA yönteminin diğer yöntemleri sınıflandırma performansı anlamında geçtiği görülmüştür. Ayrıca test sonuçları, zihinsel aktivite çözümlenmesi problemlerinde f-MRA yönteminin performans arttırıcı bir potansiyele sahip olduğunu ortaya koymaktadır.
In this study, a specially tailored segmentation method for partitioning the fMRI data into a set of "homogenous" regions with respect to a predefined cost function is proposed. The proposed method, referred as f-MRF, employs univariate and multivariate fMRI data analysis techniques under Markov Random Fields to estimate the segments by resolving a mixture density. The univariate approach helps identifying activation pattern of a voxel independently from other voxels. In order to capture local interactions among the voxels, pairwise functional similarity is used across a neighborhood. By incorporating both the unary and pairwise features of the voxels into the MRF energy function, we achieve to cluster the voxels in the brain into functionally homogeneous and spatially coherent segments. In the proposed study, voxel space is modeled with a Gaussian Mixture Model (GMM) over the univariate activation patterns, while the cluster labels are modeled as discrete Markov Random Field over the pairwise interactions. For estimation of the latent cluster labels, a two-step iterative approach is followed. Accordingly, given the current estimate of the model parameters, cluster labels are computed by using a graph-cut algorithm. In turn, the cluster labels are used to estimate the model parameters by employing maximum likelihood estimation (MLE). The final labeling result generally consists of few large clusters involving the non-activated voxels, and isolates the activated voxels into smaller-sized clusters. By partitioning the voxel space into functionally homogeneous parcels, we expect to increase representative power of the data. Thus, we propose using the f-MRF segmentation in brain decoding tasks where the segments are employed in voxel selection or feature extraction steps. In the experiments that are conducted on the real fMRI data of visual object recognition, f-MRF outperforms compared segmentation methods. Moreover, the results indicate that f-MRF has potential to boost the performance in brain decoding studies.