DE10162927A1

DE10162927A1 - Auswerten von mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildern des Gehirns

Info

Publication number: DE10162927A1
Application number: DE10162927A
Authority: DE
Inventors: Silvia Corchs; Gustavo Deco; Bernd Schuermann; Jan Storck; Martin Stetter
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2001-12-20
Filing date: 2001-12-20
Publication date: 2003-07-17
Also published as: EP1456798A2; US20050119558A1; US7349728B2; WO2003054794A3; WO2003054794A2; CN1620666A

Abstract

Es wird ein Verfahren zum Auswerten eines mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildes (fMRI-Bild) des Gehirns angegeben. Dazu wird ein neuronales Netz zur Simulation der Aktivitäten des Gehirns verwendet. Vermutete Störungen im Gehirn werden im neuronalen Netz simuliert (gestörtes neuronales Netz). Die ermittelten Aktivitäten im gestörten neuronalen Netz werden mit den im fMRI-Bild beobachteten Aktivitäten verglichen. Der Ausfall beliebiger Substrukturen im Gehirn kann künstlich im Modell simuliert und seine Auswirkung auf das komplexe Zusammenspiel der Areale des Gehirns quantifiziert werden. Der Vergleich mit dem am Patienten gemessenen fMRI-Bild bzw. -Aktivitätsmuster führt zur Lokalisation der Störungsursache und damit zur erfolgreichen Diagnose.

Description

Dank der rasanten Entwicklung im Bereich der funktionellen Kernspintomographie (functional Magnetic Resonance Imaging, kurz fMRI, oder functional Magnetic Resonance Tomography, kurz fMRT) gelingt es in zunehmendem Maße, die Verteilung der Hirnaktivität von Patienten während der Lösung von komplexen Wahrnehmungs- und Planungs- sowie von motorischen Aufgaben aufzunehmen.
Die enormen Möglichkeiten dieser Technologie stehen jedoch noch immer im Widerspruch zu ihrem derzeitigen Nutzen für die Befundung und Diagnostik in der Neurologie und Neurochirurgie.
Die Hauptursache dieser Diskrepanz liegt in der Komplexität des Gehirns begründet: Allein die menschliche Großhirnrinde lässt sich in etwa 200 funktionale Einheiten, die Gehirnareale, einteilen, zwischen denen etwa 10.000 rückgekoppelte, dichte Vernetzungspfade bestehen. Die Vernetzungspfade bestehen jeweils aus mehreren synaptischen Verbindungen, also Nervensträngen.
Als Folge dieses komplexen Aufbaus sowie der verteiltparallelen Signalverarbeitung im Gehirn lassen sich Fehlfunktionen nur in sehr seltenen Fällen deutlich an einer Aktivitätsänderung im fMRI-Bild - etwa in einem Areal - ablesen. Vielmehr äußern sich zerebrale Funktionsstörungen in der Regel in einem, verglichen mit dem gesunden Menschen, geänderten Zusammenspiel der Areale, das wiederum auf komplexe Weise den Aktivitätszustand des gesamten Gehirns modifiziert.
Es ergibt sich für den Arzt das hochgradig nichttriviale und bislang bis auf wenige Spezialfälle ungelöste Problem, aus den gemessenen komplexen Auffälligkeiten im fMRI-Bild die eigentliche Ursache der zerebralen Störung zu ermitteln.
Aufgabe der Erfindung ist es, fMRI-Bilder stärker für die Diagnose nutzbar zu machen.
Diese Aufgabe wird durch die Erfindungen gemäß den unabhängigen Ansprüchen gelöst. Vorteilhafte Weiterbildungen der Erfindungen sind in den Unteransprüchen gekennzeichnet.
Erfindungsgemäß wird ein Verfahren zum Auswerten eines mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bilds (fMRI-Bild) des Gehirns angegeben. Es wird ein neuronales Netz zur Simulation der Aktivitäten des Gehirns verwendet. Vermutete Störungen im Gehirn werden im neuronalen Netz simuliert (gestörtes neuronales Netz). Die ermittelten Aktivitäten im gestörten neuronalen Netz werden mit den im fMRI- Bild beobachteten Aktivitäten verglichen. Aus dem Vergleich wird auf Störungen im Gehirn geschlossen.
Die möglichen Störungsursachen lassen sich in mehrere Klassen unterteilen:

a) Ausfälle oder Teilausfälle in einem Areal.
b) Vollständiger Ausfall eines oder mehrerer Verbindungspfade zwischen zwei oder mehreren Arealen.
c) Ausfälle auf zellulärer Ebene, die beispielsweise eine veränderte Kurzzeitdynamik der Nervenzellpopulationen, z. B. innerhalb eines Areals, zur Folge haben.

Nur die erste Klasse (a) von Störungsursachen ist überhaupt im fMRI-Bild direkt auszumachen. Die Auswirkungen dieser Störungen auf andere Areale sind jedoch aufgrund der dichten Vernetzung komplex und bedürfen der Quantifizierung.
Die anderen beiden Klassen von Störungsursachen, (b) und (c), können sich sehr versteckt auswirken. Beispielsweise folgt aus der dichten Vernetzung der Gehirnareale, dass die vollständige Unterbrechung der Verbindung zwischen zwei Arealen nicht nur Auswirkungen auf die beiden betroffenen Areale hat. Die Unterbrechung der Verbindung ändert insgesamt die Signalausbreitung durch das Gehirn und bewirkt damit indirekt Störungen anderer, von den betrachteten Arealen scheinbar unabhängiger Gehirnfunktionen.
Erfindungsgemäß wird dem Arzt ein Werkzeug zur Verfügung gestellt, mit dessen Hilfe das komplexe Zusammenspiel mehrerer Gehirnareale während der Lösung definierter Aufgaben durch das Gehirn simuliert werden kann. Der Simulator basiert auf der Simulation der Dynamik von gekoppelten Populationen von Neuronen, also auf einem neuronalen Netz. Die Dynamik simuliert den Zeitverlauf der Aktivitäten der Neuronen.
Der Ausfall beliebiger Substrukturen im Gehirn kann künstlich im Modell simuliert und seine Auswirkung auf das komplexe Zusammenspiel der Areale des Gehirns quantifiziert werden. Der Vergleich mit dem am Patienten gemessenen fMRI-Bild bzw. - Aktivitätsmuster führt zur Lokalisation der Störungsursache und damit zur erfolgreichen Diagnose. Es wird somit ein quantitativer Zusammenhang hergestellt zwischen der gemessenen räumlichen Verteilung der Hirnaktivität einerseits und dem medizinisch relevanten funktionellen Hirnzustand andererseits.
Neben einer Simulierung des Gehirns auf der Basis einer Vielzahl einzelner Neuronen kann das neuronale Netz auch eine Struktur aufweisen, die sich an die Struktur des Gehirns in seiner Aufteilung in Areale und deren Verbindungen anlehnt. Dies führt einerseits zu einer Reduktion der Komplexität des neuronalen Netzes. Andererseits entspricht das neuronale Netz in seiner Struktur damit der Struktur des Gehirns.
Vorteilhafterweise wird daher ein Neurosimulator der dritten Generation (Neurokognition) zur quantitativen Interpretation und damit Befundung von fMRI-Bildern herangezogen. Als Neurosimulatoren der ersten Generation werden Modelle von Netzen von Neuronen auf mehr oder weniger statischer Basis bezeichnet, die klassischen neuronalen Netze. Als Neurosimulatoren der zweiten Generation werden Modelle des dynamischen Verhaltens der Neuronen, insbesondere der von ihnen erzeugten Pulse, bezeichnet. Als Neurosimulatoren der dritten Generation bezeichnet man schließlich hierarchische Modelle der Organisation der Neuronen in Pools und der Pools in Areale. Dabei umfasst ein Pool Tausende von Neuronen.
Das erfindungsgemäße Verfahren kann als Auswerte-Tool in die Bediensoftware eines Computers integriert werden, der einen fMRI-Tomographen steuert, integriert werden, oder in Form eines eigenständigen Diagnose-Unterstützungsgeräts arbeiten.
Die Aufgabe wird ferner durch ein Computerprogramm gelöst, das bei Ablauf auf einem Computer das erfindungsgemäße Verfahren ausführt, sowie durch ein Computerprogramm mit Programmcode-Mitteln, um alle erfindungsgemäßen Schritte durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
Ferner wird die Aufgabe durch ein Computerprogramm mit den genannten Programmcode-Mitteln gelöst, die auf einem computerlesbaren Datenträger gespeichert sind. Ferner durch ein Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln, um alle erfindungsgemäßen Schritte durchzuführen, wenn das Programm auf einem Computer ausgeführt wird. Schließlich durch einen Datenträger, auf dem eine Datenstruktur gespeichert ist, die nach einem Laden in einen Hauptspeicher eines Computers das erfindungsgemäße Verfahren ausführt.
Im Folgenden wird die Erfindung anhand von Ausführungsbeispielen näher erläutert, die in den Figuren schematisch dargestellt sind. Gleiche Bezugsziffern in den einzelnen Figuren bezeichnen dabei gleiche Elemente. Im Einzelnen zeigt:
Fig. 1 ein Beispiel eines fMRI-Bildes;
Fig. 2 vereinfacht die wesentlichen Areale des visuellen Cortex des Gehirns;
Fig. 3 eine abstrakte Wiedergabe der Areale des Gehirns und ihrer synaptischen Verbindungen; und
Fig. 4 schematisch die Wechselwirkung zwischen einem Areal und einem zugehörigen inhibitorischen Pool.
Im Folgenden wird die Arbeitsweise neurokognitiver Modellierung am Beispiel visueller Aufmerksamkeitsphänomene beschrieben.
Zunächst müssen fMRI-Bilder der Aktivitätsverteilung im Gehirn aufgenommen werden. Mit der Positronen-Emissions- Tomographie (PET), einem Verfahren das Stoffwechsel- und Durchblutungsänderungen im Gehirn mit Hilfe radioaktiv markierter Substanzen darstellen kann, konnte gezeigt werden, dass die Aktivierung bestimmter Hirnareale zu einer lokalen Steigerung der Durchblutung und des Sauerstoffverbrauchs der Nervenzellen führt (Fox PT, Raichle ME: "Focal physiological uncoupling of cerebral blood flow and oxydative metabolism during somatosensory stimulation in human subjects" Proceedings of the National Academy of Science of the USA, 1986, Band 83, Seiten 1140-1144). Die hierfür notwendige Zufuhr von sauerstoffreichem, arteriellem Blut wird dadurch lokal gesteigert. Normalerweise steigt die Durchblutung jedoch überproportional zum Sauerstoffverbrauch an, so dass ein Überschuss an oxygeniertem Hämoglobin im venösen Abflussgebiet resultiert.
Die funktionelle Magnetresonanztomographie (fMRT) nutzt die Tatsache, dass der Sauerstoffgehalt des Blutes dessen magnetische Eigenschaften beeinflusst und so zu einer unterschiedlichen Signalgebung in der Magnetresonanztomographie führt. Da sich die magnetischen Eigenschaften und damit die Signalgebung des Blutes mit dem Gehalt an oxygeniertem bzw. deoxygeniertem Hämoglobin ändern, verhält sich Blut in der funktionellen Magnetresonanztomographie wie ein (endogenes) Kontrastmittel. Bei einem hohen Anteil an deoxygeniertem Hämoglobin wird aufgrund seiner paramagnetischen Eigenschaften in der Umgebung der Gefäße ein lokaler Magnetfeldgradient induziert, der bei geeigneter Auswahl der MRT-Messsequenz (z. B. Gradientenechosequenz oder entsprechende Echo-Planar-Imaging- Sequenz) zu einer lokalen Signalminderung führt. Steigt der Anteil von oxygeniertem Hämoglobin im Blut an, nimmt der sog. Suszeptibilitätseffekt ab. Dies führt zu einem Anstieg des Messsignals. Dieser Zusammenhang wird als BOLD-Kontrast (blood oxygen level dependent contrast) bezeichnet. Mit zunehmender Feldstärke des Magnetresonanz-Tomographen nimmt dieser Effekt zu [Ogawa S, Lee TM, Nayak AS, Glynn P: "Oxygenation-sensitive contrast in magnetic resonance image of rodent brain at high magnetic flields." Magnetic Resonance Medicine, 1990, Band 14, Seiten 68-78], so dass für die funktionelle MRT (fMRT) Geräte ab einer Magnetfeldstärke von 1,5 Tesla zum Einsatz kommen.
Die lokalen Veränderungen des Sauerstoffgehalts im Blut während Aktivierungsvorgängen können mittels fMRI mit hoher räumlicher Auflösung dargestellt und exakt den individuellen anatomischen Strukturen des Gehirns zugeordnet werden.
Es kann also mittels fMRI ermittelt werden, welche Hirnareale zu einem gegebenen Zeitpunkt bzw. während einer Tätigkeit aktiv sind und welche nicht, bzw. zu welchem Grade einzelne Gehirnareale aktiv sind.
Ein schematisches Beispiel einer fMRI-Aufnahme ist in Fig. 1 zu sehen. Fig. 1 zeigt eine Ansicht der linken Gehirnhälfte 10 mit angedeuteten Gehirnlappen. Gezeigt ist eine Aufnahme eines Patienten, der vor die Aufgabe gestellt wurde, den Ort eines Punktes in einem Bild zu finden. Bei der Lösung dieser Aufgabe werden schraffiert dargestellte Gehirnareale 12 aktiviert, die auf dem fMRI-Bild sichtbar sind.
Das Ziel der Modellierungen ist ein detailliertes neuronales Netzwerkmodell der Areale des Gehirns, das die realen Gegebenheiten im Gehirn bei Aktivierungsprozessen widerspiegelt, insbesondere hinsichtlich der visuellen Aufmerksamkeitsteuerung, und damit eine Erklärung dieser Leistungen durch physiologische Mechanismen liefert.
Bei klassischen Modellen der Bildverarbeitung, etwa der digitalen Bildverarbeitung, wird ein aufgenommenes Bild im Wege eines so genannten bottom-up-approachs in sukzessiv höheren Ebenen der Verarbeitung analysiert.
Im Gegensatz zu diesen klassischen Modellen der Bildverarbeitung hat sich gezeigt, dass ein so genannter top-down- approach die realen Gegebenheiten des visuellen Cortex besser widerspiegelt. Bei dem top-down-approach werden Zwischenergebnisse auf einer höheren Verarbeitungsebene im Wege der Rückkopplung dazu genutzt, tiefere Verarbeitungsebenen sinnvoll erneut auszuwerten. Wichtig ist das Moment der Rückkopplung zwischen den einzelnen Ebenen. Im weiter unten konkret zu schildernden Modell wird diese Rückkopplung durch die Wechselwirkung der einzelnen Areale realisiert.
Die Rückkopplung führt zu einer Verschiebung des Gleichgewichts im Aufmerksamkeits-Wettbewerb der einzelnen Neuronen bzw. Gruppen von Neuronen. Es kommt so zu einem ungleichen Wettbewerb um die Aufmerksamkeit ("biased competition"). Erst eine erhöhte Aufmerksamkeit für einen bestimmten räumlichen Bereich oder ein Merkmal und eine damit einhergehende Vernachlässigung der sonstigen Merkmale oder räumlichen Bereiche ermöglicht eine Reduzierung der Datenmenge eines Bildes und damit eine gezielte Wahrnehmung einzelner Objekte.
Bei der Suche nach einem Merkmal in einem Bild, z. B. des Eiffelturms von Paris, würde in klassischer Bildverarbeitung zwischen zwei Fragen unterschieden:

- Wo ist der Eiffelturm? Dies ist eine so genannte "where"- Frage. Sie sucht den Ort des bekannten Merkmals in Bild (Suche).
- Die zweite Frage lautet: Welches Objekt ist in der Mitte des Bildes zu sehen? Also eine so genannte "what"-Frage, die Frage nach der Erkennung eines Objekts am vorgegebenen Ort (Objekterkennung).

Die "where"-Frage wird klassischerweise beantwortet, indem das gesamte Bild mit Hilfe eines vorgegebenen Aufmerksamkeitsfensters abgesucht wird. Die "what"-Frage wird beantwortet, indem die bekannten Muster mit dem vorgegebenen Bildausschnitt verglichen werden oder indem der vorgegebene Bildausschnitt nach Merkmalen abgesucht wird, auf die die Aufmerksamkeit konzentriert wird, um die Bildmerkmale zu erkennen.
Bei dem neuen top-down-approach wird das gesamte Bild parallel verarbeitet. Die gesuchten Merkmale emergieren im Laufe der Verarbeitung, d. h. sie stechen nach einer Weile hervor, indem z. B. diejenigen "Großmutter-Pools" (siehe unten) aktiv werden, die den Wettbewerb zwischen den einzelnen Pools bzw. Merkmalen gewonnen haben. Die "what"- und die "where"-Frage werden mit ein und demselben Modell beantwortet. Lediglich der so genannte Input-Bias (siehe unten) wird verändert, d. h. die Aufmerksamkeit wird in Richtung von "what" oder "where" verschoben. Es wird mittels des Bias eine Erwartungshaltung erzeugt.
Für die Modellierung dieses top-down-approachs wird ein so genannter Neurosimulator der dritten Generation verwendet. Als Neurosimulatoren der dritten Generation bezeichnet man hierarchische Modelle der Organisation der Neuronen in Pools und der Pools in Areale, entsprechend den Arealen des Gehirns, wie es im Folgenden am Beispiel des visuellen Cortex beschrieben wird. Dabei umfasst ein Pool Tausende von Neuronen.
Fig. 2 zeigt vereinfacht die wesentlichen Areale des visuellen Cortex des Gehirns 10. Abgebildet ist das Großhirn 16 und das Kleinhirn 18. Im Großhirn 16 finden sich im visuellen Cortex neben anderen die dargestellten und weiter unten genauer erklärten Areale V1, V4, PP und IT. Zwischen diesen Arealen bestehen vielsträngige synaptische Verbindungen 20.
Der Aufbau des mathematischen Modells wird nun im Detail mit Bezug auf Fig. 3 beschrieben, die eine abstrakte Wiedergabe der Verhältnisse im Gehirn darstellt.
Das Areal IT (inferotemporal) dient zur Bilderkennung bzw. Objekterkennung innerhalb eines Bildes ("what"-Frage). In ihm sind Bildmuster gespeichert, die Repräsentationen von Objekten der sichtbaren Welt entsprechen können. Beispielhaft gezeigt sind zwei Muster, Backsteine bzw. Waben. Ein Muster ist erkannt, wenn ein dem Muster zugeordnetes sog. "Großmutter- Neuron" maximal aktiv wird. Die Fähigkeit des "Großmutter- Neurons", ein bestimmtes Muster zu erkennen, wird durch Training erworben. Im vorliegenden Modell wird zur Mustererkennung nicht mit "Großmutter-Neuronen" gearbeitet, sondern mit der kleinsten Einheit des Modells: dem Pool. Ein Muster wird also von einem "Großmutter-Pool" erkannt, wenn der entsprechende Großmutter-Pool maximal aktiv ist. Dementsprechend enthält das Areal IT im vorliegenden Modell ebenso viele Pools wie es zu erkennende Muster bzw. Objekte gibt.
Das Areal PP (posterior parietal) dient der örtlichen Lokalisierung von bekannten Mustern ("where"-Frage). Das Areal PP enthält im vorliegenden Modell daher ebenso viele Pools 24 wie es Pixel im zu erkennenden Bild gibt. Die Konzentration neuronaler Aktivität in einer kleinen Anzahl benachbarter Pools in PP entspricht einer Lokalisierung des Objekts.
Die Areale V1 und V4 werden im vorliegenden Modell zu dem Areal V1-V4 zusammen gefasst, das auch mit V4 bezeichnet wird. Dieses Areal ist allgemein zuständig für die Extraktion von Merkmalen. Es enthält etwa 1 Mio. Pools 24, für jedes Merkmal ein Pool. Die Pools 24 sprechen auf einzelne Merkmale des Bildes an. Die Merkmale des Bildes ergeben sich aus einer Wavelet-Transfomation des Bildes (siehe unten). Ein Merkmal ist damit durch eine bestimmte Größe bzw. räumliche Frequenz, eine räumliche Orientierung und eine bestimmte Lage in x- und y-Richtung definiert (siehe unten). Alle aufgenommenen Bilddaten gelangen zunächst in das Areal V1-V4.
Hinzu kommt zu jedem Areal mindestens ein inhibitorischer Pool (inhibitory Pool) 22, also ein Pool, der eine hemmende Wirkung auf die Aktivität anderer Pools ausübt. Die inhibitorischen Pools sind mit bidirektionalen Verbindungen 26 mit den anregbaren Pools 24 gekoppelt. Durch die inhibitorischen Pools 22 kommt es zu kompetitiver Interaktion bzw. Wettbewerb zwischen den Pools. Der Wettbewerb in V1-V4 wird mit Pools 24 durchgeführt, die sowohl Orts- als auch Objektinformationen kodieren. PP abstrahiert Ortsinformationen und vermittelt einen Wettbewerb auf der räumlichen Ebene. IT abstrahiert Informationen von Klassen von Objekten und vermittelt einen Wettbewerb auf der Ebene der Klassen von Objekten.
Zwischen den Arealen bestehen synaptische Verbindungen 20, durch die die Pools 24 zu Aktivität angeregt werden können. Das Areal IT ist mit dem Areal V4 verbunden. Das Areal PP ist mit Areal V4 verbunden. Die im Modell simulierten synaptischen Verbindungen 20 zwischen den Arealen spiegeln den "what"- und den "where"-Pfad der visuellen Verarbeitung wieder. Der "what"-Pfad verbindet das Areal V4 mit dem Areal IT für die Objekterkennung. Der "where"-Pfad verbindet das Areal V4 mit dem Areal PP für die örtliche Lokalisierung. Die Areale IT und PP sind untereinander nicht verbunden.
Die synaptischen Verbindungen 20 sind stets bidirektional, d. h. die Daten aus V4 werden in PP oder IT weiter verarbeitet. Gleichzeitig werden aber auch Ergebnisse aus PP oder IT in V4 zurück gekoppelt, um den Wettbewerb um die Aufmerksamkeit zu steuern.
Die Aktivitäten der neuronalen Pools werden unter Verwendung der Mean-Field-Näherung modelliert. Viele Bereiche des Gehirns organisieren Gruppen von Neuronen mit ähnlichen Eigenschaften in Spalten oder Feldzusammenstellungen, wie beispielsweise Orientierungsspalten, im primären visuellen Cortex und im somatosensorischen Cortex. Diese Gruppen von Neuronen, die Pools, sind aus einer großen und homogenen Population von Neuronen zusammengesetzt, die eine ähnliche externe Eingabe empfangen, gegenseitig verkoppelt sind und wahrscheinlich zusammen als eine Einheit fungieren. Diese Pools können eine robustere Verarbeitungs- und Kodierungseinheit bilden, weil ihre momentane Populationsmittelwertantwort, im Gegensatz zum zeitlichen Mittel eines relativ stochastischen Neurons in einem großen Zeitfenster, besser an die Analyse von schnellen Wechseln in der realen Welt angepasst ist.
Die Aktivität der Pools der Neuronen wird mit Hilfe der Mean- Field-Näherung beschrieben. Dabei wird die Puls-Aktivität eines Pools durch einen Ensemble-Mittelwert x der Pulsrate aller Neuronen des Pools ausgedrückt. Diese mittlere Aktivität x des Pools ergibt sich durch die Anregung der Neuronen des Pools durch einen Eingangs-Pulsstrom I allgemein aus:

x(t) = F(I(t)). (1)
Dabei ist F eine reelle Funktion. Für gepulste Neuronen vom Typ "integriere und feure" (integrate-and-fire), die deterministisch auf den Eingangsstrom I reagiert, gilt in adiabatischer Näherung (Usher, M. und Niebur, E.: "Modelling the temporal dynamics of IT neurons in visual search: A mechanism of top-down selective attention", Journal of Cognitive Neuroscience, Seiten 311-327 (1996)):

wobei T_refractory die Totzeit eines Neurons nach Aussenden eines Pulses angibt (etwa 1 ms) und τ die Latenz der Membran des Neurons, also die Zeit zwischen einem externen Input und der vollständigen Polarisierung der Membran (Usher, M. und Niebur, E.: "Modelling the temporal dynamics of IT neurons in visual search: A mechanism of top-down selective attention", Journal of Cognitive Neuroscience, Seiten 311-327 (1996)). Ein typischer Wert für τ ist 7 ms.
Die Aktivität eines isolierten Pools von Neuronen kann außer durch die mittlere Aktivität x auch durch die Stärke des zwischen den Neuronen fließenden Eingangsstroms I charakterisiert werden. Diese entwickelt sich zeitlich gemäß der folgenden Gleichung:
Dabei beschreibt der erste Term auf der rechten Seite das Abklingen der Aktivität und der zweite Term auf der rechten Seite die Selbsterregung zwischen den Neuronen innerhalb des Pools. Der zweite Term beschreibt die kooperative erregende Interaktion in dem Pool. ≙ parametrisiert die Stärke der Selbsterregung. Ein typischer Wert für ≙ ist 0,8.
Die unmittelbar aufgenommenen Bilder seien kodiert in einem Grauwertbild, das durch eine n × n-Matrix Γ orig|ij beschrieben wird. Eine nicht-quadratische Matrix ist ebenfalls möglich. Üblicherweise wird mit einer 64 × 64-Matrix gearbeitet, d. h. n = 64. Dabei bezeichnen die Indizes i und j die räumliche Position des Pixels. Der Grauwert Γ orig|ij innerhalb jedes Pixels ist vorzugsweise durch 8 Bit kodiert. Dabei entspricht der Bitwert 0 der Farbe Schwarz und der Bitwert 255 der Farbe Weiß.
Im ersten Verarbeitungsschritt wird der konstante Anteil des Bildes subtrahiert. Dies erfolgt im Gehirn vermutlich im sog. LGN (lateral geniculate nucleus) des Thalamus. Durch Subtraktion des Mittelwerts erhält man die n × n-Bildmatrix Γ_ij:
Die Extraktion von Merkmalen aus dem Bild durch die Pools im Areal V4 erfolgt modellgemäß in der Weise, dass die Pools eine Gabor-Wavelet-Transformation des Bildes durchführen, genauer, dass die Aktivität der Pools den Koeffizienten einer Gabor-Wavelet-Transformation entspricht.
Die für die Gabor-Wavelet-Transformation verwendeten Funktionen G_kqpl sind Funktionen des Ortes x und y bzw. der diskreten Indizes i und j und sind definiert durch
Das Grund-Wavelet ψ(x,y) ist definiert durch das Produkt einer elliptischen Gauß-Funktion und einer komplexen ebenen Welle:
Die Gabor-Wavelet-Funktionen besitzen somit vier Freiheitsgrade: k, l, p und q.
k entspricht der Größe des Merkmals, ausgedrückt durch die Oktave k, also die räumliche Frequenz, ermittelt durch das 2andk-fache der Grundfrequenz, die durch den Parameter a skaliert wird; für a wird in der Regel der Wert 2 gewählt.
l entspricht der Winkelorientierung, ausgedrückt durch θ_l = l.θ₀. θ_l ist also ein Vielfaches der Winkel-Schrittweite θ₀ = π/L, also der Orientierungsauflösung. Für L werden vorzugsweise Werte von 2 bis 10 gewählt.
p und q bestimmen die räumliche Lage des Mittelpunkts c der Funktion in x- und y-Richtung, ausgedrückt durch

c = (c_x, c_y) = (2p, 2q). (8)
Demnach wird die Aktivität I V4|kpql eines Pools im Areal V4, der auf die räumliche Frequenz bei der Oktave k, der räumlichen Orientierung mit dem Index l und auf einen Anreiz anspricht, dessen Zentrum durch p und q bestimmt ist, angeregt durch I V4,E|kpql mit:
Dies entspricht modellgemäß eben den Koeffizienten der Gabor- Wavelet-Transformation. Das jeweilige Verhalten der Pools wird im Wege eines vorherigen Trainings festgelegt (siehe unten).
Betrachten wird nun die neurodynamischen Gleichungen, die die zeitliche Entwicklung des Systems bestimmen.
Die Aktivität I V4|kpql eines Pools im Areal V4 mit Eigenschaften, die durch die oben beschriebenen Parameter k, p, q und l beschrieben werden, entwickelt sich in Weiterführung der Gleichung (3) durch die inhibitorischen und erregenden Eingangsströme in der Zeit gemäß
Die ersten beiden Terme auf der rechten Seite wurden weiter oben erläutert. Sie stellen das natürliche Abklingen der Aktivität bzw. die Selbsterregung innerhalb des Pools dar.
Der dritte Term auf der rechten Seite der Gleichung (10), bF(I V4,I|k), beschreibt die oben erwähnte inhibitorische Wirkung des inhibitorischen Pools 22, die weiter unten näher beschrieben wird. Der Parameter b auf der rechten Seite der Gleichung (10) skaliert die Stärke der Inhibition. Ein typischer Wert für b ist 0,8.
Der vierte Term auf der rechten Seite der Gleichung (10), I V4,E|kpql, beschreibt die Anregung durch das aufgenommene Bild gemäß der Gabor-Wavelet-Transformation nach Gleichung (9).
Der fünfte Term auf der rechten Seite der Gleichung (10), I V4-PP|pq, beschreibt die Aufmerksamkeitssteuerung für ein Merkmal mit der räumlichen Lage entsprechend p und q, also die Betonung der "where"-Frage, wie es weiter unten näher erläutert wird.
Der sechste Term auf der rechten Seite der Gleichung (10), I V4-IT|kpql, beschreibt die Aufmerksamkeitssteuerung in V4 für bestimmte Muster aus IT, also die Betonung der "what"-Frage, wie es weiter unten näher erläutert wird.
Der siebte Term auf der rechten Seite der Gleichung (10), I₀, beschreibt eine diffuse spontane Hintergrundeingabe. Ein typischer Werte für I₀ ist 0,025. ν steht für ein stochastisches Rauschen der Aktivität. Es ist für alle Pools als gleichstark angenommen. Ein typischer Mittelwert für ν ist Null, bei einer Gaußschen Verteilung mit einer Standardabweichung von 0,01.
Der dritte Term auf der rechten Seite der Gleichung (10), bF(I V4,I|k), beschreibt, wie oben erwähnt, die inhibitorische Wirkung des inhibitorischen Pools 22 zum Areal V4. Im Folgenden wird auf Fig. 4 Bezug genommen. Die Pools 24 innerhalb eines Areals stehen im Wettbewerb zueinander, was durch einen inhibitorischen Pool 22 vermittelt wird, der die erregende Eingabe 27 von allen erregbaren Pools 24 empfängt und ein gleichförmiges hemmendes Feed-Back 28 an alle erregbaren Pools 24 leitet. Dieses hemmende Feed-Back 28 wirkt auf weniger aktive Pools stärker als auf aktivere. Dadurch können sich stärker aktive Pools gegen schwächer aktive Pools durchsetzen.
Zusätzlich ist in Fig. 4 ein externer Eingangsstrom 30 (Bias) gezeigt, der ein oder mehrere Pools anregen kann. Die genaue Funktion des Bias 30 wird weiter unten im Zusammenhang mit Gleichung (15) geschildert.
Die Aktivitäten I V4,I|k innerhalb des inhibitorischen Pools genügen der Gleichung:
Der erste Term auf der rechten Seite der Gleichung (11) beschreibt wiederum das Abklingen des inhibitorischen Pools 22. Der zweite Term beschreibt den Eingangsstrom aus V4 in den zu V4 gehörigen inhibitorischen Pool 22 mit dem Index k, skaliert durch den Parameter c. Ein typischer Wert für c ist 0,1.
Der dritte Term stellt eine Selbsthemmung des zu V4 gehörigen inhibitorischen Pools 22 mit dem Index k dar. Ein typischer Wert für d ist 0,1.
Die inhibitorische Wirkung innerhalb von V4 wirkt erfahrungsgemäß allein innerhalb einer räumlichen Struktur einer vorgegebenen Größe, ausgedrückt durch die Oktave k. Innerhalb der Struktur der Größe k kommt es zu Wettbewerb zwischen den Orten p und q und der Orientierung l, vermittelt durch die Summe
Jedes Indextripel (p, q, l) hemmt alle anderen Indextripel (p, q, l). Räumliche Strukturen unterschiedlicher Größe k, d. h. unterschiedlicher räumlicher Frequenzen k, beeinflussen sich nicht, da die inhibitorische Wirkung in Gleichung (10), -bF(I V4,I|k), nur auf k selbst zurückwirkt.
Der fünfte Term auf der rechten Seite der Gleichung (10), I V4-PP|pq, beschreibt, wie erwähnt, die Aufmerksamkeitssteuerung für ein Merkmal mit der räumlichen Lage entsprechend p und q, also die Betonung der "where"-Frage. Die Aufmerksamkeitssteuerung erfolgt durch eine Rückkopplung der Aktivität I V4-PP|pqder Pools mit den Indizes i und j nahe bei den Werten p und q aus dem Areal PP auf alle Pools mit den Indizes p und q in das Areal V4. Diese Rückkopplung wird modelliert durch

wobei die Koeffizienten W_pqij ihrerseits ermittelt werden aus:

mit der Kopplungskonstante A (typischer Wert 1,5), mit dem räumlichen Skalierungsfaktor S, der die Reichweite des räumlichen Einflusses eines Merkmals festlegt (typischerweise ist S = 2), und mit der Entfernungsfunktion dist(p, q, i, j), die die Entfernung zwischen dem Ort i, j und dem durch p, q festgelegten Mittelpunkt der Gabor-Wavelet-Funktion berechnet. Vorzugsweise wird hier die Euklidische Metrik genommen:

dist²((p, q),(i, j)) = (p - i)² + (q - j)². (14)
Zusätzlich gibt es eine negative Verbindung B zur Umgebung, was zu einer Überbetonung von benachbarten Merkmalen und einer Abwertung weiter entfernten Merkmalen führt. Ein typischer Wert für B ist 0,01.
Im Effekt regen die Pools mit der räumlichen Lage entsprechend p und q die entsprechenden Pools in V4 nicht unmittelbar an, sondern erst nach Durchführung einer Faltung mit einem Gaußschen Kernel. Mit anderen Worten: V4 und PP sind mit symmetrischen, lokalisierten Verbindungen verbunden, die durch Gaußsche Gewichte modelliert werden.
Die zeitliche Entwicklung der Aktivität I PP|ij der Pools im Areal PP ist gegeben durch
Die Gleichung entspricht im ersten, zweiten, sechsten und siebten Term der Gleichung (10), jedoch für das Areal PP.
Der dritte Term auf der rechten Seite beschreibt wiederum die inhibitorische Wirkung des gemeinsamen inhibitorischen Pools I zum Areal PP. Dessen Aktivität I^PP,I genügt der Gleichung
Diese Gleichung entspricht in ihrer Struktur der bereits beschriebenen Gleichung (11). Es gibt für das Areal PP nur eine einheitliche inhibitorische Wirkung.
Der vierte Term auf der rechten Seite der Gleichung (15) beschreibt wiederum die aufmerksamkeitssteuernde Rückkopplung von V4 nach PP und ist gegeben durch

wobei die W_pqij oben im Zusammenhang mit Gleichung (13) definiert wurden. Die synaptischen Verbindungen 20 zwischen V4 und PP sind also symmetrisch ausgebildet. V4 steuert in PP somit die Aufmerksamkeit hinsichtlich bestimmter Orte ("where"-Frage).
Der fünfte Term I PP,A|ij auf der rechten Seite der Gleichung (15) ist ein externer, die Aufmerksamkeit auf einen bestimmten Ort (i, j) richtender Top-Down-Bias. Dieser ist in Fig. 4 durch den Pfeil 30 repräsentiert. Bei Voreinstellung des Bias wird ein Objekt an dem voreingestellten Ort erwartet. Ein typischer Wert für diesen externen Bias ist 0,07 für den erwarteten Ort und 0 für alle anderen Orte.
Der sechste Term auf der rechten Seite der Gleichung (10), I V4-IT|kpql beschreibt - wie erwähnt - die Aufmerksamkeitssteuerung in V4 für bestimmte Muster aus IT, also die Betonung der "what"-Frage. Die Aufmerksamkeitssteuerung erfolgt durch eine Rückkopplung einer Aktivität I IT|c der Pools, die für das Muster c stehen, aus dem Areal IT auf zugehörige Pools im Areal V4. Diese Rückkopplung wird modelliert durch
Die Bestimmung der Gewichte w_ckpql der Eingangsströme von IT in V4 und damit der zum Muster c gehörigen Pools im Areal V4 wird weiter unten erklärt.
I IT|c ist die Aktivität eines Pools, der für das Muster c steht, im Areal IT. Die zeitliche Entwicklung von I IT|c folgt der Differentialgleichung:
Die Gleichung entspricht im ersten, zweiten, sechsten und siebten Term den Gleichungen (10) und (15), jedoch für das Areal IT.
Der dritte Term auf der rechten Seite der Gleichung (19), -bF(I^IT,I), beschreibt wiederum die inhibitorische Wirkung des inhibitorischen Pools 22 zum Muster c des Areals IT. Die Aktivität I^IT,I des inhibitorischen Pools zum Areal IT genügt der Gleichung
Diese Gleichung entspricht in ihrer Struktur den bereits beschriebenen Gleichungen (11) und (16). Es gibt für das Areal IT nur eine einheitliche inhibitorische Wirkung, die den Wettbewerb um die Aufmerksamkeit zwischen den einzelnen Mustern c bewirkt.
Der vierte Term auf der rechten Seite der Gleichung (19), I IT-V4|c, beschreibt wiederum die aufmerksamkeitssteuernde Rückkopplung von V4 nach IT und ist gegeben durch

wobei die w_ckpql bereits in Gleichung (18) auftraten und weiter unten näher erläutert werden. Die synaptischen Verbindungen 20 zwischen V4 und IT sind also symmetrisch ausgebildet. V4 steuert in IT somit die Aufmerksamkeit hinsichtlich bestimmter Muster ("what"-Frage).
Der fünfte Term auf der rechten Seite der Gleichung (19), I IT,A|c, ist wiederum ein externer, die Aufmerksamkeit auf ein bestimmtes Muster c richtender Top-Down-Bias. Bei Voreinstellung des Bias wird ein bestimmtes Muster c bzw. Objekt c erwartet. Ein typischer Wert für diesen externen Bias ist 0,07 für das erwartete Muster und 0 für alle anderen Muster.
Die Gewichte w_ckpql der synaptischen Verbindungen zwischen V4 und IT werden durch Hebbsches Lernen (Hebbian Training) (Deco, G. und Obradovic, D.: "An Information-theoretic Approach to Neurocomputing", Springer Verlag (1996)) mit bekannten Objekten ausgebildet. Vereinfacht ausgedrückt werden dazu dem neuronalen Netz nacheinander Muster c präsentiert und die Gewichte w_ckpql solange variiert, bis jeweils die Großmutter- Pools c in IT die Muster c erkennen, d. h. maximale Aktivität zeigen. In erster Näherung ergeben sich die Gewichte w_ckpql durch die oben beschriebene Gabor-Wavelet-Transformation der in IT gespeicherten Muster c.
Nach dem Training können Simulationen mit dem neuronalen Netz durchgeführt werden, um z. B. ein fMRI-Bild auszuwerten. Bei der Auswertung eines fMRI-Bildes handelt es sich grundsätzlich um ein inverses Problem: aus der Wirkung (der Aktivität gewisser Areale) soll auf die Ursache geschlossen werden. Aufgrund der Komplexität der Vernetzung kann nicht von der Wirkung deduktiv auf die Ursache geschlossen werden. Einzig möglich ist ein Nachbilden der Wirkungen durch Variation einer Vielzahl von Ursachen.
Dies geschieht mit Hilfe von Variation der Parameter des geschilderten neuronalen Netzes, z. B. durch das ausschalten einzelner Pools oder ganzer Teile eines Areals. Die Wirkung solcher Annahmen auf das neuronale Netz wird durch Lösung der oben angegebenen Differentialgleichungen berechnet und mit den gemessenen fMRI-Bildern verglichen.
Das System der angegebenen Differentialgleichungen ist hoch parallel. Es besteht aus etwa 1,2 Mio. gekoppelten Differentialgleichungen. Diese werden iterativ numerisch gelöst, vorzugsweise mittels Diskretisierung unter Zuhilfenahme des Euler- oder Runge-Kutta-Verfahrens. Als zeitliche Schrittweite wird vorzugsweise 1 ms gewählt, also etwa T_refractory gemäß Gleichung (2).
Mit Hilfe des geschilderten neuronalen Netzes konnten experimentelle Daten (Kaster, S.; De Weerd, P.; Desimone, R. and Ungerleider, L.: "Mechanisms of directed attention in the human extrastriate cortex as revealed by functional MRI"; Science 282 (1998) 108-111. Kaster, S.; Pinsk, M.; De Weerd, P.; Desimone, R. and Ungerleider, L.: "Increased activity in human visual cortex during directed attention in the absence of visual stimulation"; Neuron 22 (1999) 751-761.) übereinstimmend simuliert werden. Die Dynamik der Aktivität der Pools in V4 mit deutlichen Änderungen auf der Skala unterhalb einer Sekunde konnte nachvollzogen werden. Ebenso die Aufmerksamkeitssteuerung durch Erwartung und die inhibitorische Wirkung von gleichzeitigen oder benachbarten Stimuli.
Ebenso konnte das medizinisch bekannte Phänomen des "visual neglect" durch Simulation aufgeklärt werden. "Visual neglect" ist die Ausblendung einer Hälfte des Gesichtsfeldes von der Aufmerksamkeit oder Wahrnehmung, obwohl die Augen des Patienten keinerlei Schäden aufweisen. Die Ausblendung von der Aufmerksamkeit ist eine Störung in der Verarbeitung der aufgenommenen visuellen Daten durch den visuellen Cortex des Gehirns. In der Simulation mit Hilfe des geschilderten neurokognitiven neuronalen Netzes wurde angenommen, dass eine Hälfte des für die örtliche Lokalisierung zuständigen Areals PP beschädigt ist. Beispielsweise möge eine Hälfte von PP einen erhöhten Grad an Rauschen ν aufweisen. Es konnte durch Lösung der Differentialgleichungen gezeigt werden, dass unter diesen Umständen die Aufmerksamkeit nicht mehr auf diese Hälfte des Gesichtsfelds gelenkt werden konnte. Die für diese Hälfte des Gesichtsfelds zuständigen Pools erreichten kein erhöhtes Maß an Aktivität mehr.
Somit bietet sich als Diagnose für "visual neglect" eine Schädigung des für die örtliche Lokalisierung zuständigen Areals PP an.
Im Rahmen der Erfindung sind zahlreiche Abwandlungen und Weiterbildungen der beschriebenen Ausführungsbeispiele verwirklichbar. Insbesondere kann die Erfindung bei entsprechender Anwendung auf geeignete Areale des Gehirns zur Diagnose aller neuropsychiatrischer Phänomene, d. h. aller Störungen der Funktionsfähigkeit des Gehirns eingesetzt werden. Liste der zitierten Literatur 1. Fox, P. T. und Raichle, M. E.: "Focal physiological uncoupling of cerebral blood flow and oxydative metabolism during somatosensory stimulation in human subjects" Proceedings of the National Academy of Science of the USA, 1986, Band 83, Seiten 1140-1144.
2. Ogawa S, Lee TM, Nayak AS, Glynn P: "Oxygenation-sensitive contrast in magnetic resonance image of rodent brain at high magnetic flields." Magnetic Resonance Medicine, 1990, Band 14, Seiten 68-78.
3. Usher, M. und Niebur, E.: "Modelling the temporal dynamics of IT neurons in visual search: A mechanism of top-down selective attention", Journal of Cognitive Neuroscience, Seiten 311-327 (1996).
4. Deco, G. und Obradovic, D.: "An Information-theoretic Approach to Neurocomputing", Springer Verlag (1996).
5. Kaster, S.; De Weerd, P.; Desimone, R. und Ungerleider, L.: "Mechanisms of directed attention in the human extrastriate cortex as revealed by functional MRI"; Science 282 (1998) 108-111.
6. Kaster, S.; Pinsk, M.; De Weerd, P.; Desimone, R. und Ungerleider, L.: "Increased activity in human visual cortex during directed attention in the absence of visual stimulation"; Neuron 22 (1999) 751-761.

Claims

1. Verfahren zum Auswerten eines mittels funktionaler Magnet- Resonanz-Tomographie gewonnenen Bildes des Gehirns (fMRI- Bild), dadurch gekennzeichnet,

a) dass ein neuronales Netz zur Simulation der Aktivität des Gehirns verwendet wird;

b) dass eine im Gehirn vermutete Störung im neuronalen Netz simuliert wird (gestörtes neuronales Netz);

c) dass die ermittelte Aktivität im gestörten neuronalen Netz mit der im fMRI-Bild beobachteten Aktivität des Gehirns verglichen wird; und

d) dass aus dem Vergleich auf Störungen im Gehirn geschlossen wird.

2. Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet,
dass das zur Simulation der Aktivität des Gehirns verwendete neuronale Netz die Aktivität von Neuronen derart simuliert,
dass jeweils eine Mehrzahl von Neuronen des neuronalen Netzes zu einem Pool zusammengefasst wird; und
dass die Aktivität der Pools simuliert wird.

3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass das zur Simulation der Aktivität des Gehirns verwendete neuronale Netz die Aktivität des Gehirns derart simuliert,
dass die Aktivität des Gehirns in funktional ausdifferenzierten Arealen (IT, PP, V4, V1) erfolgt.

4. Verfahren nach den beiden vorhergehenden Ansprüchen, dadurch gekennzeichnet, dass die Areale derart gewählt werden, dass sie jeweils eine Mehrzahl von Pools aufweisen.

5. Verfahren nach Anspruch 2, dadurch gekennzeichnet,
dass die Pools miteinander im Wettbewerb um Aufmerksamkeit stehen; und
dass dieser Wettbewerb über mindestens einen inhibitorischen Pool vermittelt wird, der eine hemmende Wirkung auf Aktivität der Pools ausübt.

6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass die Aktivität des Gehirns während des Sehvorgangs analysiert wird; und
dass das neuronale Netz zur Analyse des aufgenommenen Bildes eine Wavelet-Transformation verwendet.

7. Verfahren nach Anspruch 4, dadurch gekennzeichnet,
dass die Aktivität des Gehirns während des Sehvorgangs analysiert wird; und
dass ein Areal (IT) des neuronalen Netzes die Funktion hat, Objekte im Sehfeld zu identifizieren, indem Pools dieses Areals auf das Identifizieren jeweils spezifischer Objekte spezialisiert sind.

8. Verfahren nach Anspruch 7, dadurch gekennzeichnet,
dass die Aktivität des Gehirns während des Sehvorgangs analysiert wird; und
dass ein Areal (PP) des neuronalen Netzes die Funktion hat, den Ort von erkennbaren Objekten im Sehfeld zu identifizieren, indem Pools dieses Areals auf das Lokalisieren von Objekten an spezifischen Orten im Sehfeld spezialisiert sind.

9. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass das neuronale Netz derart gestaltet wird, dass die Aufmerksamkeit für ein bestimmtes zu identifizierendes Objekt oder für ein bestimmtes zu lokalisierendes Objekt erhöht werden kann.

10. Anordnung zum Auswerten eines mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildes des Gehirns (fMRI- Bild)

a) mit einem neuronalen Netz zur Simulation der Aktivität des Gehirns;

b) mit Mitteln zum Simulieren einer im Gehirn vermuteten Störung im neuronalen Netz (gestörtes neuronales Netz);

c) mit Mitteln zum Vergleichen der ermittelten Aktivität im gestörten neuronalen Netz mit der im fMRI-Bild beobachteten Aktivität des Gehirns; und

d) mit Mitteln zum Erschließen von Störungen im Gehirn aus dem Vergleich.

11. Vorrichtung zum Auswerten eines mittels funktionaler Magnet-Resonanz-Tomographie gewonnenen Bildes des Gehirns (fMRI- Bild)

a) mit Mitteln zum Erzeugen eines fMRI-Bildes des Gehirns eines Patienten; und

b) mit einer Anordnung zum Auswerten des fMRI-Bildes nach dem vorhergehenden Anspruch.