WO2004021026A1 - Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen - Google Patents

Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen Download PDF

Info

Publication number
WO2004021026A1
WO2004021026A1 PCT/DE2003/002663 DE0302663W WO2004021026A1 WO 2004021026 A1 WO2004021026 A1 WO 2004021026A1 DE 0302663 W DE0302663 W DE 0302663W WO 2004021026 A1 WO2004021026 A1 WO 2004021026A1
Authority
WO
WIPO (PCT)
Prior art keywords
signals
coupling
neural
activities
quantities
Prior art date
Application number
PCT/DE2003/002663
Other languages
English (en)
French (fr)
Inventor
Gustavo Deco
Norbert Galm
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to EP03790696A priority Critical patent/EP1527354A1/de
Priority to AU2003263124A priority patent/AU2003263124A1/en
Priority to US10/492,211 priority patent/US20050009003A1/en
Publication of WO2004021026A1 publication Critical patent/WO2004021026A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4806—Functional imaging of brain activation

Definitions

  • the invention relates to an analysis of neuronal activities in neuronal areas, for example of neuronal activities in nerve structures in a patient's brain tissue.
  • the previously known magnetic resonance tomography (also magnetic resonance imaging, abbreviated: MR) is an imaging method which generates sectional images of the human body without the use of stressful X-rays.
  • the MR takes advantage of the behavior of the body tissue in a strong magnetic field. Pathological changes in the body tissue, for example in the brain or spinal cord, can be identified.
  • BOLD signal Bit Oxygenation Level Dependent
  • the result of the fMRI measurements shows the course of the activity of the individual areas over a certain period of time, for example during cognitive processes as a result of certain perceptual processes or motor tasks.
  • the fMRI measurements are analyzed using mathematical methods, thereby directly drawing conclusions about the functional disorders in a brain and their causes.
  • the fMRI measurement comprises a large number of such data points for possibly different perception processes and / or motor tasks for which the corresponding BOLD signals were measured.
  • the unknown quantities, the mean ⁇ and the covariance ⁇ depend exclusively on a (brain) model that describes the measurement data.
  • ⁇ describes the external influence on the individual BOLD signals, such as sensory input from sensory cells on the examined areas of the brain.
  • the influencing variables ⁇ i and ⁇ j on various examined areas i and j can certainly be correlated.
  • the model parameters to be determined are accordingly the coupling strengths S ⁇ of the underlying coupling matrix S, the mean value ⁇ of the external influence ⁇ and the covariance ⁇ of ⁇ .
  • the known analysis method has the disadvantage that it is insufficiently accurate, i.e. insufficiently describes the interaction of neuronal areas, and thus possibly leads to incorrect conclusions in the analysis.
  • This disadvantage in the known method can be attributed, among other things, to the fact that a modeling of the functioning of neuronal areas on which this method is based only insufficiently realizes, i.e. the biological model or the real brain.
  • a software tool for an fMRI analysis method is known from [4].
  • a device for carrying out the fMRI technique is known from [5].
  • the invention is therefore based on the object of specifying an improved modeling of the functioning of neuronal areas and thus an improved analysis method with which the neuronal activities can be better described or analyzed than with the known analysis method of neuronal activities.
  • This task is solved by the method and the arrangement as well as by the computer program with program code means and the computer program product for the analysis of neural activities in neuronal areas with the features according to the respective independent patent claim.
  • the method for analyzing neural activities in neural areas uses signals describing the neural activities as well as a coupling model in which a) the neural activities and the signals are coupled using cross-coupling quantities, b) the signals using signal coupling quantities , each coupling two of the signals to one another, c) the neural activities are coupled using activity coupling variables, which each couple two of the neuronal activities to one another.
  • the signals are determined in the analysis, one signal each describing the neuronal activity in one of the neuronal areas. Probabilities for the occurrence of the signals are determined, the occurrence of the signals being based on a statistical distribution described by a normal distribution. Then the
  • Probabilities optimized using the coupling model at least the signal coupling quantities being determined.
  • the neural activities are then analyzed at least using the signal coupling quantities.
  • the arrangement for analyzing neural activities in neural areas uses signals describing the neural activities as well as a coupling model in which a) the neural activities and the signals are coupled to one another using cross-coupling quantities, b) the signals are coupled using signal coupling quantities, which each couple two of the signals to one another, c) the neural activities using activity coupling quantities, each of the two neuronal ones
  • the arrangement has an analysis unit for analysis, which is set up in such a way that
  • the signals are determined, one signal each describing the neural activity in one of the neuronal areas,
  • Probabilities for an occurrence of the signals are determined, the occurrence of the signals being based on a statistical distribution described by a normal distribution,
  • the neural activities are analyzed at least using the signal coupling quantities.
  • the invention is based on the finding that a weak point in the (old) previously known analysis method (relationships (1) to (4)) for the analysis of neuronal activities is the modeling of linear statistical relationships between the signals there.
  • the aim of the old known as well as the inventive analysis method is the analysis of neural activities using the signal coupling quantities.
  • both methods use signals which represent the neural activities in neuronal areas.
  • the signals are coupled using signal coupling quantities, which each couple two of the signals to one another, and the neural activities using activity coupling quantities, which each couple two of the neuronal activities together.
  • the invention enables an improved modeling of the functioning of neuronal areas.
  • the analysis of neuronal activities and their interaction can be significantly improved by the invention.
  • the computer program according to the invention with program code means is set up to carry out all steps according to the method according to the invention for analyzing neural activities when the program is executed on a computer.
  • the computer program product with program code means stored on a machine-readable carrier is set up to carry out all steps according to the inventive method for analyzing neural activities when the program is executed on a computer.
  • the arrangement and the computer program with program code means, set up to carry out all steps according to the inventive method for analyzing neural activities when the program is executed on a computer, and the computer program product with program code means stored on a machine-readable medium in order to carry out all steps according to the inventive method for analyzing neural activities when the program is executed on a computer, are particularly suitable for carrying out the method according to the invention for analyzing neural activities or one of its further developments explained below.
  • the invention or any further development described below can also be implemented by a computer program product which has a storage medium on which the computer program with program code means which carries out the invention or further development is stored.
  • the activity coupling quantities and the cross coupling quantities are also determined.
  • the optimization can be carried out in a simple manner using a method of maximum likelihood estimation [1].
  • a relationship between the coupling model and the probabilities can be considered as a secondary condition during the optimization.
  • Previous knowledge can also be introduced into the coupling model by determining certain coupling quantities, such as specific signal, cross, activity and / or influence coupling quantities, according to the previous knowledge.
  • spatial relationships between the neuronal areas can be taken into account by specifying at least some of the activity coupling variables.
  • the signals for example BOLD signals
  • the signals can be determined by measuring signals or by transmitting and / or reading in already existing signals.
  • the invention and the further development described are particularly suitable for use with an fMRI technique, which can be considerably improved as a result.
  • BOLD signals are measured on the patient, which BOLD signals describe or represent the neuronal activities in the brain areas. These are evaluated or analyzed, the coupling quantities being determined.
  • a diagnosis of a functional disorder in a brain area of the patient can be made.
  • FIG. 1 device for carrying out an fMRI according to an exemplary embodiment
  • Figure 2 sketch with process steps in an analysis of BOLD signals according to an exemplary embodiment.
  • Exemplary embodiment functional magnetic resonance imaging (fMRI)
  • Fig. 1 shows a device 100 for performing a functional magnetic resonance tomography or.
  • Magnetic resonance imaging short: fMRI
  • fMRI Magnetic resonance imaging
  • Magnetic resonance tomograph 100 The basics of fMRI technology, which is a further development of the known magnetic resonance tomography, are known from [3].
  • the magnetic resonance tomograph 100 has a closed tube 110, which is embedded in a magnet 120 such that it generates a strong magnetic field in the tube 110.
  • the magnetic resonance tomograph 100 has a patient table 130 which can be moved into the tube 110 and on which a patient is supported during an examination.
  • the magnetic resonance tomograph 100 has a control device 131, which enables the patient table 130 to be checked and controlled during the examination, for example a controlled insertion of the patient table 130 into the tube 120.
  • the magnetic resonance tomograph 100 has a measuring device 140 for measuring BOLD signals (Blood Oxygenation Level Dependent), an associated evaluation device 141 for evaluating the measured BOLD signals, in this case a high-performance computer, and an operating or interaction device 142 for operating personnel as well as a display device 143 for displaying an examination result.
  • BOLD signals Bood Oxygenation Level Dependent
  • an associated evaluation device 141 for evaluating the measured BOLD signals
  • an operating or interaction device 142 for operating personnel as well as a display device 143 for displaying an examination result.
  • the components of the magnetic resonance tomograph 100 are functionally connected to one another, for example via signal or data lines 150, via which data and signals can be transmitted.
  • the neuronal activity in areas of the brain of a patient can be measured, analyzed and a diagnosis can be derived therefrom on the basis of the fMRI technique.
  • the measuring device 140 measures the BOLD signal (Blood Oxygenation Level Dependent) in individual areas of the patient's brain, which is related to the neuronal activity in the respective areas.
  • fMRI measurements shows the course of the activity of the individual areas over a certain period of time, for example during cognitive processes as a result of certain perceptual processes or motor tasks which the patient has to carry out during an examination. Functional disorders in the patient's brain are therefore implicit in the measured fMRI signals.
  • the fMRI measurements i.e. the BOLD signals measured in individual areas of the brain are analyzed.
  • Activation patterns in the examined areas in the brain and / or relationships between modes of action of activation patterns in the examined areas are determined and from this direct conclusions can be drawn about functional disorders in the brain and their causes.
  • the new analysis method provided by the evaluation device 140 is based on a model of the brain, the neuron structures in the brain and their behavior, in particular their interaction, on the basis of which the measured BOLD signal is analyzed and evaluated.
  • the fMRI measurements i.e. the BOLD signals in the examined brain areas of a patient, evaluated and analyzed (220 - 250) and / or compared with reference fMRI measurements and thereby immediately derived conclusions about functional disorders in the brain and their causes.
  • the analysis method 200 which generates statistical parameters, such as statistical correlations between fMRI measurements in different brain areas, is based on a mathematical model of the brain, in particular the interaction of the brain areas or activities, as well as assumptions about static distributions of activities and their influencing variables (220).
  • the general principle of this analysis method 200 is to determine so-called coupling strengths S, which describe statistical dependencies between the BOLD signals, in such a way that statistical parameters which are determined by this method from the fMRI measurements can best be explained (210 - 250).
  • the sought coupling strengths S are intended to maximize (240) the probability (230) of the occurrence of the measured data, ie the fMRI measurement or the BOLD signals. It is pointed out that the relationships and assumptions of the old known analysis method (relationships (1) to (4)) apply to the new analysis method 200, unless stated otherwise.
  • the probabilities P P (sl, ..., sT
  • the new analysis method 200 uses a different model, a so-called coupling model (220).
  • the external influence is modeled more explicitly in the coupling model:
  • e denotes the statistically independent external influences el, ..., eP.
  • the parameters of the coupling model (5) are accordingly S, A, B, W, U, V, ⁇ e and ⁇ e, where ⁇ e can be assumed to be diagonal without any restriction of generality.
  • the coupling model (5) used has a number of advantages. In this way, the measured fMRI data can be explained more precisely. That is, there are model parameters in (5) for which the probabilities from (2) assume higher values than by any choice of the model parameters in (3) of the old known analysis method described above (relationships (1) to (4)) ,
  • the external influences e can be better characterized. In this way, certain local influences on individual areas and global influences through the structures in U and V can be better recognized.
  • the coupling model can also be written:
  • the functional relationships S and A can be kept general, for example by a representation as a finite series [2], the coefficients of which are then also determined as model parameters by the maximum likelihood estimation (240).
  • a concrete form of A results, for example, from formal analyzes of the dynamics of neuronal populations based on the models of individual neurons. The resulting model then takes the following form:
  • the BOLD signals s depend exclusively on the neural activities a. Spatial relationships of neural areas can be modeled by constraints on the shape of A.
  • the activity of an area in turn only depends on the total input of this area, which is summed up linearly.
  • the remaining parameters ⁇ can be the same, permanently selected or unknown model parameters for all areas or, in the most general case, they can differ from area to area.
  • the model (6) also has a generally implicit relationship between ⁇ or ⁇ , the unknown parameters for the probabilities (2), and the model parameters to be determined:
  • ⁇ ⁇ (a, ß i ⁇ , ⁇ i , ⁇ )
  • the optimal model parameters can be determined using maximum likelihood estimation (240).
  • optimization determines the signal coupling strengths S to be analyzed and analyzed between the BOLD signals, which describe relationships between the BOLD signals.
  • the signal coupling strengths S are evaluated and analyzed (250) and form the basis of the medical diagnosis.
  • the immediate advantage of the new analysis method 200, in particular of the coupling model (220) used here, is a more precise analysis of the fMRI data.
  • the explicit form of the selected relationships S and A can also be extracted.

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurosurgery (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Physics & Mathematics (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

Die Erfindung betrifft eine Analyse von neuronalen Aktivitäten in neuronalen Arealen unter Verwendung eines Kopplungsmodells, bei welchem Kopplungsmodell, a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c) die neuronalen Aktivitäten unter Verwendung von Aktivitäten-Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt werden, wobei bei einer Optimierung zumindest die Signalkopplungsgrößen für die Analyse bestimmt werden.

Description

Beschreibung
Verfahren und Anordnung sowie Computerprograinm mit Programmcode-Mitteln zur Analyse von neuronalen Aktivitäten in neuronalen Arealen
Die Erfindung betrifft eine Analyse von neuronalen Aktivitäten in neuronalen Arealen, beispielsweise von neuronalen Aktivitäten in Nervenstrukturen in einem Gehirngewebe eines Pa- tienten.
Analysen von neuronalen Aktivitäten und daraus gewonnene Kenntnisse über eine Funktionsweise eines neuronalen Areals sowie über ein Zusammenwirken von neuronalen Arealen sind grundlegend für eine funktionellen Kernspintomographie bzw. fMRI-Technologie [3], welche eine Weiterentwicklung der bekannten Magnetresonanztomographie ist.
Die bisher bekannte Magnetresonanztomographie (auch Kernspin- tomographie, kurz: MR) ist ein bildgebendes Verfahren, welches Schnittbilder vom menschlichen Körper ohne Einsatz belastender Röntgenstrahlen erzeugt.
Stattdessen macht sich die MR das Verhalten des Körpergewebes in einem starken Magnetfeld zu Nutze. Krankhafte Veränderungen des Körpergewebes, beispielsweise im Gehirn oder Rückenmark, können damit erkannt werden.
Funktionelle Störungen im Körpergewebe, insbesondere im Ge- hirn eines Patienten, können allerdings mit der herkömmlichen Magnetresonanztomographie nicht erkannt werden.
Dieses leistet die funktioneile Kernspintomographie bzw. fMRI-Technologie .
Mittels der fMRI-Technik kann indirekt die neuronale Aktivität in Arealen des Gehirns eines Patienten gemessen werden. Gemessen wird das sogenannte BOLD-Signal (Blood Oxygenation Level Dependent) in einzelnen Arealen des Gehirns, welches im Zusammenhang mit der neuronalen Aktivität in den jeweiligen Arealen steht.
Zwischen den neuronalen Aktivitäten in den Arealen bestehen Abhängigkeiten, welche sich unter anderem aus Strukturen im Gehirn, d.h. aus neuronalen Verknüpfungen von Nervenzellen bzw. Nervenstrukturen, ergeben.
Das Ergebnis der fMRI-Messungen zeigt den Verlauf der Aktivität der einzelnen Areale über einen gewissen Zeitraum, beispielsweise während kognitiver Abläufe als Resultat bestimmter Wahrnehmungsprozesse oder motorischer Aufgaben.
Funktionelle Störungen, in diesem Fall im Gehirn, sind somit implizit in den gemessenen fMRI-Signalen enthalten.
Unter Verwendung mathematischer Verfahren werden die fMRI- Messungen analysiert und dadurch unmittelbar Rückschlüsse auf die funktioneile Störungen in einem Gehirn und deren Ursachen gewonnen.
Diesen Analyseverfahren, wie beispielsweise das aus [6] ge- kannte Analyseverfahren, welche in der Regel statistische Kenngrößen, wie statistische Korrelationen zwischen fMRI- Messungen in verschiedenen Gehirnarealen, generieren, liegen meist mathematische Modelle des Gehirns, insbesondere des Zusammenwirkens der Gehirnareale bzw. Aktivitäten, sowie Annah- men über statische Verteilungen von Aktivitäten und deren Einflussgrößen zugrunde.
Ein weiteres bekanntes Analyseverfahren wird nachfolgend beschrieben.
Bei diesem Analyseverfahren stellt ein Datenpunkt s=st eine Gesamtheit aller BOLD-Signale sl, . . . , sN der einzelnen n Areale zu einem Zeitpunkt t oder über ein Zeitintervall t gemittelt dar (t=[l;T]).
Die fMRI-Messung umfasst eine Vielzahl solcher Datenpunkte für gegebenenfalls unterschiedliche Wahrnehmungsprozesse und/oder motorische Aufgaben, für welche die entsprechenden BOLD-Signale gemessen wurden, charakterisieren.
Bei dem bekannten Analyseverfahren werden nun nicht die ein- zelnen Datenpunkte sl, s2, ..., sT direkt, sondern statistische Kenngrößen, welche sich aus diesen ergeben, ausgewertet.
Für eine statistische Verteilung der Datenpunkte sl, s2, ..., sT wird angenommen, dass sie durch eine multivariante Normal- Verteilung, d.h. einer statistischen Verteilung erster Ordnung, mit einem Mittelwert μ und einer Kovarianz ∑ vollständig beschrieben ist:
Figure imgf000005_0001
Für genügend lange Messreihen kann das Auftreten der einzelnen Datenpunkte si von sl, s2, ..., sT als statistisch unabhängig betrachtet werden.
Die Wahrscheinlichkeit P=P(sl, ..., sT|μ,∑) für ein Auftreten aller gemessenen Datenpunkte sl, ..., sT kann demnach geschrieben werden als :
Figure imgf000005_0002
Dabei hängen die unbekannten Größen, der Mittelwert μ und die Kovarianz ∑, ausschließlich von einem (Gehirn-) odell ab, welches die Messdaten beschreibt.
Das Modell nimmt einen linearen statistischen Zusammenhang zwischen den einzelnen BOLD-Signalen an:
N Sj = ∑SjjSj + Ej für i = 1 , . . . , N
7=1 bzw. s = Ss + ε ( 3)
wobei ε den äußeren Einfluss auf die individuellen BOLD- Signale beschreibt, wie ein sensorischer Input von Sinneszellen auf die untersuchten Areale des Gehirns.
Die Einflussgrößen εi und εj auf verschiedene untersuchte Areale i und j können dabei durchaus korreliert sein.
Die festzulegenden Modellparameter sind demnach die Kopp- lungsstärken S± der zugrundeliegenden Kopplungsmatrix S, der Mittelwert με des externen Einflusses ε und die Kovarianz ∑ε von ε.
Von diesen hängen der Mittelwert μ und die Kovarianz ∑ ab:
μ = μ(S,με)
Σ = ∑{S,Σε) (4)
Bei dem bekannten Analyseverfahren werden nun die Modellpara- meter so bestimmt, dass die in (2) gegebene Wahrscheinlichkeit P=P(sl, ..., sτ|μ,∑) für das Auftreten der Messdaten maximal wird.
Dazu wird ein Methode (Optimierung) einer bekannten Maximum Likelyhood Estimation [1] angewendet. Unter Verwendung der Zusammenhänge (4) in (2) ergibt sich ein von den Kopplungsstärken Si , dem Mittelwert με und der Kovarianz ∑ε abhängiger Ausdruck, welcher durch die Optimierung maximiert wird.
Die Optimierung führt dann zu den gesuchten Kopplungsstärken S zwischen den BOLD-Signalen.
Diese wiederum ermöglichen dann die Erkennung funktioneller Zusammenhänge zwischen verschiedenen Gehirnarealen bei bestimmten Wahrnehmungsprozesse oder motorische Aufgaben (funktionale Konnektivität) .
Das bekannte Analyseverfahren weist den Nachteil auf, dass es unzureichend genau ist, d.h. das Zusammenwirken von neuronalen Arealen nur unzureichend beschreibt, und damit gegebenenfalls zu falschen Rückschlüssen bei der Analyse führt.
Dieser Nachteil bei dem bekannten Verfahren lässt sich unter • anderem darauf zurückführen, dass eine bei diesem Verfahren zugrunde gelegte Modellierung der Funktionsweise neuronaler Areale nur unzureichend eine Realität, d.h. das biologische Vorbild bzw. das reale Gehirn, beschreibt.
Aus [4] ist ein Software-Tool für ein fMRI-Analyseverfahren, eine „fmri.pro", bekannt. Aus [5] ist ein Gerät zur Durchführung der fMRI-Technik bekannt.
Somit liegt der Erfindung die Aufgabe zugrunde, eine verbesserte Modellierung der Funktionsweise neuronaler Areale und damit ein verbessertes Analyseverfahren anzugeben, mit welcher bzw. mit welchem die neuronalen Aktivitäten besser beschrieben bzw. analysiert werden können als mit dem bekannten Analyseverfahren von neuronalen Aktivitäten. Diese Aufgabe wird durch das Verfahren und die Anordnung sowie durch das Computerprogramm mit Programmcode-Mitteln und das Computerprogramm-Produkt zur Analyse von neuronalen Aktivitäten in neuronalen Arealen mit den Merkmalen gemäß dem je- weiligen unabhängigen Patentanspruch gelöst.
Das Verfahren zur Analyse von neuronalen Aktivitäten in neuronalen Arealen verwendet zur Analyse die neuronalen Aktivitäten beschreibende Signale sowie ein Kopplungsmodells, bei welchem a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c) die neuronalen Aktivitäten unter Verwendung von Aktivitäten-Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt werden. Bei der Analyse werden die Signale ermittelt, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt. Wahrscheinlichkeiten für ein Auftreten der Signale werden ermittelt, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird. Anschließend werden die
Wahrscheinlichkeiten unter Verwendung des Kopplungsmodells optimiert, wobei zumindest die Signal-Kopplungsgrößen ermittelt werden. Die neuronalen Aktivitäten werden dann zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert.
Die Anordnung zur Analyse von neuronalen Aktivitäten in neuronalen Arealen verwendet bei der Analyse die neuronalen Aktivitäten beschreibenden Signalen sowie ein Kopplungsmodells, bei welchem a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c) die neuronalen Aktivitäten unter Verwendung von Aktivitä- ten-Kopplungsgrößen, die jeweils zwei von den neuronalen
Aktivitäten miteinander koppeln, gekoppelt werden. Die Anordnung weist zur Analyse eine Analyseeinheit auf, welche eingerichtet ist derart, dass
- die Signale ermittelt werden, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt,
- Wahrscheinlichkeiten für ein Auftreten der Signale ermittelt werden, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird,
- die Wahrscheinlichkeiten unter Verwendung des Kopplungsmodells optimiert werden, wobei zumindest die Signal- Kopplungsgrößen ermittelt werden und
- die neuronalen Aktivitäten zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert werden.
Der Erfindung liegt die Erkenntnis zugrunde, dass ein Schwachpunkt bei dem (alten) bisher bekannten Analyseverfahren (Beziehungen (1) bis (4)) zur Analyse von neuronalen Ak- tivitäten die dortige Modellierung von linear statistischen Zusammenhängen zwischen den Signalen ist.
Ziel des alten bekannten wie auch des erfinderischen Analyseverfahrens ist die Analyse von neuronalen Aktivitäten unter Verwendung der Signal-Kopplungsgrößen. Beide Verfahren verwenden dazu Signale, welche die neuronalen Aktivitäten in neuronalen Arealen repräsentieren.
Bei dem alten bekannten Analyseverfahren (Beziehungen (1) bis (4)) werden diese Signale aber durch das dortige verwendete, linear statistische Modell (3) mit den neuronalen Aktivitäten gleichgesetzt . Trotz des engen Zusammenhangs zwischen den Signalen und den neuronalen Aktivitäten trifft das Gleichsetzten bei dem alten bekannten Analyseverfahren nicht auf das reale biologische Vorbild zu, sondern ist nur eine vereinfachte Näherung.
Hier setzt die Erfindung an und verwendet ein anderes, besonderes Kopplungsmodell, in der Regel nicht lineares Modell, bei welchem die Signale unter Verwendung von Kreuzkopplungs- großen mit den neuronalen Aktivitäten gekoppelt werden.
Weiter sind bei dem erfinderischen Kopplungsmodell die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, sowie die neurona- len Aktivitäten unter Verwendung von Aktivitäten- Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt.
Dadurch lasst sich durch die Erfindung eine verbesserte Mo- dellierung der Funktionsweise neuronaler Areale realisieren. Insbesondere die Analyse von neuronalen Aktivitäten und deren Zusammenwirken lässt sich durch die Erfindung wesentlich verbessern.
Das erfindungsgemäße Computerprogramm mit Programmcode- Mitteln ist eingerichtet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren zur Analyse von neuronalen Aktivitäten durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
Das Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln ist eingerichtet, um alle Schritte gemäß dem erfindungsgemäßen Verfahren zur Analyse von neuronalen Aktivitäten durchzuführen, wenn das Programm auf einem Computer ausgeführt wird. Die Anordnung sowie das Computerprogramm mit Programmcode- Mitteln, eingerichtet um alle Schritte gemäß dem erfinderischen Verfahren zur Analyse von neuronalen Aktivitäten durchzuführen, wenn das Programm auf einem Computer ausgeführt wird, sowie das Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln, eingerichtet um alle Schritte gemäß dem erfinderischen Verfahren zur Analyse von neuronalen Aktivitäten durchzuführen, wenn das Programm auf einem Computer ausgeführt wird, sind insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens zur Analyse von neuronalen Aktivitäten oder einer seiner nachfolgend erläuterten Weiterbildungen.
Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.
Die im weiteren beschriebenen Weiterbildungen beziehen sich sowohl auf die Verfahren als auch auf die Anordnung.
Die Erfindung und die im weiteren beschriebenen Weiterbildungen können sowohl in Software als auch in Hardware, beispielsweise unter Verwendung einer speziellen elektrischen Schaltung, realisiert werden.
Ferner ist eine Realisierung der Erfindung oder einer im weiteren beschriebenen Weiterbildung möglich durch ein computerlesbares Speichermedium, auf welchem das Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt.
Auch kann die Erfindung oder jede im weiteren beschriebene Weiterbildung durch ein Computerprogrammerzeugnis realisiert sein, welches ein Speichermedium aufweist, auf welchem das Computerprogramm mit Programmcode-Mitteln gespeichert ist, welches die Erfindung oder Weiterbildung ausführt. So werden bei einer Weiterbildung neben den Signal- Kopplungsgrößen bei der Optimierung auch die Aktivitäten- Kopplungsgrößen und die Kreuzkopplungsgrößen ermittelt.
Die Optimierung lässt sich auf einfache Weise durch eine Methode einer Maximum Likelyhood Estimation [1] durchführen.
Bei der Optimierung kann ein Zusammenhang zwischen dem Kopplungsmodell und den Wahrscheinlichkeiten als Nebenbedingung berücksichtigt werden.
Ferner ist es zweckmäßig, weil dadurch das biologische Vorbild neuronaler Strukturen realer nachbildbar ist, dass bei dem Kopplungsmodell äußere Einflüsse auf die Signale und/oder neuronale Aktivitäten berücksichtigt werden. Solche äußere Einflüsse können beispielsweise sensorische Inputs von Sinneszellen auf die untersuchten Areale sein.
Die Berücksichtigung dieser äußeren Einflüsse kann unter Ver- endung von Einfluss-Kopplungsgrößen realisiert werden.
Auch kann in das Kopplungsmodell Vorwissen eingebracht werden dadurch, dass bestimmte Kopplungsgrößen, wie bestimmte Signal-, Kreuz-, Aktivitäten- und/oder Einfluss-Kopplungsgrößen, gemäß dem Vorwissen festgelegt werden.
So können beispielsweise auf diese Weise durch die Festlegung zumindest eines Teils der Aktivitäten-Kopplungsgrößen räumliche Beziehungen zwischen den neuronalen Arealen berücksich- tigt werden.
Die Ermittlung der Signale bei der Erfindung, beispielsweise von BOLD-Signalen, kann durch Messung von Signalen oder auch durch Übermittlung und/oder Einlesen bereits vorliegender Signale erfolgen. Die Erfindung und beschriebene Weiterbildung sind insbesondere geeignet zum Einsatz bei einer fMRI-Technik, welche dadurch erheblich verbessert werden kann.
Im Rahmen eines solchen fMRI-Einsatzes sind die neuronalen
Areale meist Gehirnareale mit entsprechenden Nervenstrukturen von zu untersuchenden und zu diagnostizierenden Patienten.
Bei einer solche fMRI-Untersuchung werden BOLD-Signale am Pa- tienten gemessen, welche BOLD-Signale die neuronalen Aktivitäten in den Gehirnarealen beschreiben bzw. repräsentieren. Diese werden ausgewertet bzw. analysiert, wobei die Kopplungsgrößen ermittelt werden.
Unter Verwendung der Analyseergebnisse, insbesondere der Signal-Kopplungsgrößen, kann eine Diagnose über eine funktioneile Störung in einem Gehirnareal des Patienten gestellt werden.
Ein Ausführungsbeispiel der Erfindung ist in Figuren dargestellt und wird im weiteren erläutert.
Es zeigen
Figur 1 Gerät zur Durchführung einer fMRI gemäß einem Ausführungsbeispiel ,
Figur 2 Skizze mit Verfahrensschritte bei einer Analyse von BOLD-Signalen gemäß einem Ausf ührungsbeispiel .
Ausführungsbeispiel : Funktionelle Kernspintomographie (fMRI)
Fig . l zeigt ein Gerät 100 zur Durchführung einer funktionel- len Kernspintomographie bzw . Magnetresonanztomographie ( kurz : fMRI ) , einen funktionellen Kernspintomograph bzw . Magnetresonanztomograph 100. Aus [3] sind Grundlagen der fMRI-Technologie, welche eine Weiterentwicklung der bekannten Magnetresonanztomographie ist, bekannt.
Der Kernspintomograph 100 weist eine geschlossen Röhre 110 auf, welche derart in einen Magneten 120 eingelagert ist, dass dieser ein starkes Magnetfeld in der Röhre 110 erzeugt.
Ferner weist der Kernspintomograph 100 einen in die Röhre 110 einfahrbaren Patiententisch 130, auf welchem ein Patient bei einer Untersuchung gelagert wird.
Darüber hinaus weist der Kernspintomograph 100 eine Steuer- einrichtung 131 auf, welche eine Kontrolle und Steuerung des Patiententisches 130 bei der Untersuchung, beispielsweise ein kontrolliertes Einfahren des Patiententisches 130 in die Röhre 120, ermöglicht.
Als weitere Komponenten weist der Kernspintomograph 100 eine Messvorrichtung 140 zur Messung von BOLD-Signalen (Blood Oxy- genation Level Dependent) , eine zugehörige Auswertevorrichtung 141 zur Auswertung der gemessenen BOLD-Signale, in diesem Fall ein Hochleistungscomputer, sowie eine Bedien- bzw. Interaktionsvorrichtung 142 für ein Bedienpersonal wie auch eine Anzeigevorrichtung 143 zur Anzeige eines Untersuchungsergebnisses, auf.
Die Komponenten des Kernspintomograph 100 sind funktioneil miteinander verbunden, beispielsweise über Signal- oder Datenleitungen 150, über die Daten und Signale übertragbar sind.
Mit dem in Fig.l dargestellten funktionellen Kernspinto- mographen 100 kann auf Grundlage der fMRI-Technik die neuronale Aktivität in Arealen des Gehirns eines Patienten gemessen, analysiert und daraus eine Diagnose abgeleitet werden. Gemessen wird dazu mittels der Messvorrichtung 140 das BOLD- Signal (Blood Oxygenation Level Dependent) in einzelnen Arealen des Gehirns des Patienten, welches im Zusammenhang mit der neuronalen Aktivität in den jeweiligen Arealen steht.
Das Ergebnis solcher fMRI-Messungen zeigt den Verlauf der Aktivität der einzelnen Areale über einen gewissen Zeitraum, beispielsweise während kognitiver Abläufe als Resultat be- stimmter Wahrnehmungsprozesse oder motorischer Aufgaben, welche vom Patienten während einer Untersuchung durchzuführen sind. Funktionelle Störungen im Gehirn des Patienten sind somit implizit in den gemessenen fMRI-Signalen enthalten.
Unter Verwendung der Auswertevorrichtung 141, welche ein entsprechendes, neues Analyseverfahren zur Verfügung stellt bzw. durchführt, werden die fMRI-Messungen, d.h. die in einzelnen Arealen des Gehirns gemessenen BOLD-Signale, analysiert.
Dadurch wird die Gehirnaktivität in Form von entsprechenden
Aktivierungsmuster in den untersuchten Arealen im Gehirn und/ oder Zusammenhänge zwischen Wirkweisen von Aktivierungsmustern in den untersuchten Arealen ermittelt und daraus unmittelbar Rückschlüsse auf funktioneile Störungen im Gehirn und deren Ursachen gewonnen.
Dem von der Auswertevorrichtung 140 zur Verfügung gestellten neuen Analyseverfahren liegt ein Modell des Gehirns, der Neu- ronenstrukturen im Gehirn und deren Verhalten, insbesondere deren Zusammenwirken, zugrunde, auf dessen Basis das gemessene BOLD-Signal analysiert und ausgewertet wird.
Grundlagen des neuen Analyseverfahrens sowie das Modell des Gehirns, der Neuronenstrukturen im Gehirn und deren Verhalten werden nachfolgend erläutert. Die Ergebnisse bzw. die Rückschlüsse einer Untersuchung werden auf der Anzeigevorrichtung 143 dargestellt und können mittels der Bedien- und Interaktionsvorrichtung 142 in Verbindung mit der Auswertevorrichtung 141 weiterbearbeitet werden. Auch dienen sie als Grundlage für eine medizinische Diagnose für einen untersuchten Patienten.
Grundlagen des neuen Analyseverfahrens (Fig.2, Schritte 210 bis 250)
Unter Verwendung mathematischer Verfahren werden die fMRI- Messungen (210) , d.h. die BOLD-Signale in untersuchten Gehirnbereichen eines Patienten, ausgewertet und analysiert (220 - 250) und/oder mit Referenz-fMRI-Messungen verglichen und dadurch unmittelbar Rückschlüsse auf funktioneile Störungen im Gehirn und deren Ursachen gewonnen.
Dem Analyseverfahren 200, das statistische Kenngrößen, wie statistische Korrelationen zwischen fMRI-Messungen in verschiedenen Gehirnarealen, generiert, liegt ein mathematisches Modell des Gehirns, insbesondere des Zusammenwirkens der Gehirnareale bzw. Aktivitäten, sowie Annahmen über statische Verteilungen von Aktivitäten und deren Einflussgrößen zugrun- de (220) .
Das allgemeine Prinzip dieses Analyseverfahrens 200 ist, sogenannte Kopplungsstärken S, welche statistische Abhängigkeiten zwischen den BOLD-Signalen beschreiben, so zu bestimmen, dass statistische Kenngrößen, welche durch dieses Verfahren aus den fMRI-Messungen ermittelt werden, am besten erklärt werden können (210 - 250) .
Das heißt, durch die gesuchten Kopplungsstärken S soll eine Wahrscheinlichkeit (230) für ein Auftreten der gemessenen Daten, d.h. der fMRI-Messung bzw. der BOLD-Signale, maximiert werden (240) . Es wird darauf hingewiesen, dass für das neue Analyseverfahren 200 - soweit nicht anderes gesagt wird - die Beziehungen und Annahmen des alten bekannten Analyseverfahrens (Beziehun- gen (1) bis (4)) gelten.
Ein Datenpunkt s=s(t) stellt eine Gesamtheit aller BOLD- Signale sl, ..., sN der einzelnen n Areale zu einem Zeitpunkt t dar. Die fMRI-Messung (210) umfasst eine Vielzahl solcher Datenpunkte sl, ..., sT - die BOLD-Signale der n Areale zu verschiedenen Zeitpunkten t mit Kt<T (T= maximale Anzahl der betrachteten Zeitpunkte) .
Die Wahrscheinlichkeiten P=P(sl, ..., sT|μ,∑) für ein Auftre- ten aller gemessenen Datenpunkte sl, ..., sT werden gemäß (1) und (2) bestimmt (230) .
Im Gegensatz zu dem bekannten Analyseverfahren, bei welchem die BOLD-Signale durch das linear statistische Modell (3) mit den neuronalen Aktivitäten gleichgesetzt werden, wird bei dem neuen Analyseverfahren 200 ein anderes Modell, ein sogenanntes Kopplungsmodell (220) verwendet.
Trotz des engen Zusammenhangs zwischen den BOLD-Signalen und den neuronalen Aktivitäten trifft das Gleichsetzten bei dem alten bekannten Analyseverfahren nicht auf das reale biologische Vorbild zu, sondern ist nur eine vereinfachte Näherung.
Das Kopplungsmodell (220) bei dem neuen Analyseverfahren 200 betrachtet N BOLD-Signale (sl, ..., SN) und M neuronale Aktivitäten (al, ..., aM) , wobei bei gleicher Ortsauflösung N=M angenommen werden kann. Darüber hinaus wird bei dem Kopplungsmodell der externe Einfluss expliziter modelliert:
Figure imgf000017_0001
Hier bezeichnet e die statistisch unabhängigen äußeren Einflüsse el, ... , eP.
Die Parameter des Kopplungsmodells (5) sind demnach S, A, B, W, U, V, μe und ∑e, wobei ∑e ohne Beschränkung der Allgemeinheit als diagonal angenommen werden kann.
Das verwendete Kopplungsmodell (5) weist eine Reihe von Vorteilen auf. So können die gemessenen fMRI-Daten genauer er- klärt werden. D.h., es gibt Modellparameter in (5), für welche die Wahrscheinlichkeiten aus (2) höhere Werte annehmen, als durch irgendeine Wahl der Modellparameter in (3) des alten bekannten und im Vorherigen beschriebenen Analyseverfahrens (Beziehungen (1) bis (4) ) .
Darüber hinaus erlaubt die explizitere Modellierung der Zusammenhänge durch das Kopplungsmodell (5) eine gezieltere A- nalyse und Interpretation der Ergebnisse:
- Die Signal-Kopplung S zwischen den BOLD-Signalen und die neuronalen Kopplungen W zwischen den Aktivitäten bzw. den Arealen wird unterschieden.
Bestimmte Annahmen über die gegenseitigen Abhängigkeiten zwischen den BOLD-Signalen und den neuronalen Aktivitäten werden explizit im Kopplungsmodell berücksichtigt. Dieses kann durch bestimmte Einschränkungen von A bzw. B erreicht werden.
Die externen Einflüsse e können besser charakterisiert werden. So lasse sich bestimmte lokale Einflüsse auf ein- zelne Areale und globale Einflüsse durch die Strukturen in U und V besser erkennen.
Weiter lässt sich das Kopplungsmodell schreiben:
Figure imgf000018_0001
a' = γ,δi (5'fl'e) für * = -,M • ( 6) Die funktionellen Zusammenhänge S und A können dabei von allgemeinen Parametern α und γ und von arealspezifischen Parametern ßi und δ abhängen.
Die funktionellen Zusammenhänge S und A können allgemein gehalten sein, beispielsweise durch eine Darstellung als endliche Reihe [2], deren Koeffizienten als Modellparameter dann ebenfalls durch die Maximum Likelyhood Estimation (240) ermittelt werden.
Auch können explizite Annahmen über die funktionellen Zusammenhänge S 1 und A X gemacht werden. Eine konkrete Form von A ergibt sich beispielsweise aus formalen Analysen der Dy- namik neuronaler Populationen basierend auf den Modellen einzelner Neuronen. Das resultierende Modell nimmt dann folgende Form an:
s = Aa
ai =fθi i∑ ιWü"j +∑ V Ü ej) für i = l,...,M . (7)
Hierin hängen die BOLD-Signale s ausschließlich von den neuronalen Aktivitäten a ab. Räumliche Beziehungen von neurona- len Arealen können durch Einschränkungen der Form von A modelliert werden.
Die Aktivität eines Areals hängt in obigem Fall wiederum nur vom linear aufsummierten Gesamtinput dieses Areals ab. Die verbleibenden Parameter θ können dabei für alle Areale der gleiche, fest gewählte oder unbekannte Modellparameter sein oder sie können sich im allgemeinsten Fall von Areal zu Areal unterscheiden. In jedem Fall ergibt sich auch beim Modell (6) ein im allgemeinen impliziter Zusammenhang zwischen μ bzw. Σ, den unbekannten Parametern bei den Wahrscheinlichkeiten (2), und den zu bestimmenden Modellparametern:
μ = μ(a,ßiγ,δi,μ)
∑ = ∑(a,ßi,y,δi,∑) . (8)
Über diesen Zusammenhang können die optimalen Modellparameter mittels Maximum Likelyhood Estimation ermittelt werden (240) .
Im Gegensatz zu dem linearen Modell bei dem alten bekannten Analyseverfahren (Beziehungen (1) bis (4)) wird bei den neuen Analyseverfahren die Optimierung sowohl mit den Modellparametern als auch mit den Parametern μ und. Σ der angenommenen statistischen Verteilung durchgeführt, wobei die Gleichungen (8) als Nebenbedingungen berücksichtigt werden.
Bei der Optimierung (240) werden dann die gesuchten und zu analysierenden Signal-Kopplungsstärken S zwischen den BOLD- Signalen bestimmt, welche Zusammenhänge zwischen den BOLD- Signalen beschreiben. Die Signal-Kopplungsstärken S werden ausgewertet und analysiert (250) und bilden die Grundlage der medizinischen Diagnose.
Der unmittelbare Vorteil des neuen Analyseverfahrens 200, insbesondere des dabei verwendeten Kopplungsmodells (220) , ist eine genauere Analyse der fMRI-Daten. Durch die Paramet- risierung mit α, ßj_, γ und δi kann zusätzlich die explizite Form der gewählten Beziehungen S und A extrahiert werden. Im Rahmen dieses Dokuments sind folgende Veröffentlichungen zitiert:
[1] T.W. Anderson, An Introduction to Multivariable Sta- tistical Analysis, Kapitel 3, John Wiley & Sons, Inc., New York, London, Sydney, 1994
[2] Bronstein-Semendjajew, Taschenbuch der Mathematik, Unendliche Reihen, Funktionenfolgen, Kap. 3.1.14, Seiten 355 - 375, 22. Auflage, Verlag Harri Deutsch, Thun und Frankfurt/Main, ISBN 3-87 144-492-8, 1985
[3] A. W. Toga and J. C. Maziotta (Hrsg), „Brain Mapping:
The Methods", Kap 9: M. S. Cohen: „Rapid MRI and Functi- onal Applications", Acade ic Press 1996
[4] Beschreibung für eine Software „fmri.pro" zur quantita- tiven fMRI-Analyse, erhältlich am 07.09.2001, unter http: //www.med.uni-muenchen. de/radin/html/ arbeitsgruppen/fmri/ccfmri .html
[5] Beschreibung fMRI - Gerät, erhältlich am 07.09.2001, unter http : // ww. unipublic . nizh. ch/campus/uni-ne s/ 2001/0147/fmri.html
[6] A.R. Mclntosh et al., Structural Equation Modeling and Its Application to Networ Analysis in Functional Brain Imaging, Human Brain Mapping, 2:2-22, 1994.

Claims

Patentansprüche
1. Verfahren zur Analyse von neuronalen Aktivitäten in neuronalen Arealen unter Verwendung von die neuronalen Aktivitäten beschreibenden Signalen und eines Kopplungsmodells, bei welchem a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c) die neuronalen Aktivitäten unter Verwendung von Aktivitäten-Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt werden, bei welchem Verfahren
- die Signale ermittelt werden, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt, - Wahrscheinlichkeiten für ein Auftreten der Signale ermittelt werden, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird,
- die Wahrscheinlichkeiten unter Verwendung des Kopplungsmo- dells optimiert werden, wobei zumindest die Signal- Kopplungsgrößen ermittelt werden und
- die neuronalen Aktivitäten zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert werden.
2. Verfahren nach Anspruch 1, bei dem bei der Optimierung auch die Aktivitäten- Kopplungsgrößen und die Kreuzkopplungsgrößen ermittelt werden.
3. Verfahren nach einem der vorangehenden Ansprüche, bei dem bei dem Kopplungsmodell äußere Einflüsse auf die Signale und/oder auf die neuronalen Aktivitäten unter Verwendung von Einfluss-Kopplungsgrößen berücksichtigt werden.
4. Verfahren nach einem der vorangehenden Ansprüchen, bei dem in das Kopplungsmodell Vorwissen eingebracht wird, indem Kopplungsgrößen gemäß dem Vorwissen festgelegt werden.
5. Verfahren nach dem vorangehenden Anspruch, bei dem räumliche Beziehungen zwischen den neuronalen Arealen durch die Festlegung zumindest eines Teils der Aktivitäten- Kopplungsgrößen berücksichtigt werden.
6. Verfahren nach einem der vorangehenden Ansprüche, bei dem die Optimierung unter Verwendung eine Methode einer Maximum Likelyhood Estimation durchgeführt wird.
7. Verfahren nach einem der vorangehenden Ansprüche, bei dem bei der Optimierung ein Zusammenhang zwischen dem'
Kopplungsmodell und den Wahrscheinlichkeiten als Nebenbedingung berücksichtigt wird.
8. Verfahren nach einem der vorangehenden Ansprüche, bei dem die Signale durch Messung ermittelt werden.
9. Verfahren nach einem der vorangehenden Ansprüche, bei dem das Signal ein BOLD-Signal ist.
10. Verfahren nach einem der vorangehenden Ansprüche, bei dem das neuronale Areal ist Gehirnareal einer Person ist.
11. Verfahren nach einem der vorangehenden Ansprüche, eingesetzt bei einer fMRI-Technik, bei welcher BOLD-Signale analysiert werden, wobei das Signal eines der BOLD-Signale ist .
12. Verfahren nach dem vorangehenden Anspruch, eingesetzt zu einer Diagnose einer funktionellen Störung in einem Gehirnareal unter Verwendung der fMRI-Technik derart, dass unter Verwendung der Analyse der BOLD-Signale die Diag- nose gestellt wird.
13. Anordnung zur Analyse von neuronalen Aktivitäten in neuronalen Arealen unter Verwendung von die neuronalen Aktivitäten beschreibenden Signalen und eines Kopplungsmodells, bei welchem d) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, e) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, f) die neuronalen Aktivitäten unter Verwendung von Aktivitäten-Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt werden, welche Anordnung eine Analyseeinheit aufweist, welche eingerichtet ist derart, dass
- die Signale ermittelt werden, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt, - Wahrscheinlichkeiten für ein Auftreten der Signale ermittelt werden, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird,
- die Wahrscheinlichkeiten unter Verwendung des Kopplungsmo- dells optimiert werden, wobei zumindest die Signal- Kopplungsgrößen ermittelt werden und
- die neuronalen Aktivitäten zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert werden.
14. Computerprogramm-Erzeugnis , das ein computerlesbares
Speichermedium umfasst, auf dem ein Programm gespeichert ist, das es einem Computer ermöglicht, nachdem es in einen Spei- eher des Computers geladen worden ist, folgende Schritte durchzuführen zur Analyse von neuronalen Aktivitäten in neuronalen Arealen unter Verwendung von die neuronalen Aktivitäten beschreibenden Signalen und eines Kopplungsmodells, bei welchem Kopplungsmodell a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c). die neuronalen Aktivitäten unter Verwendung von Aktivitäten-Kopplungsgrößen, die jeweils zwei von den neuronalen Aktivitäten miteinander koppeln, gekoppelt werden, - die Signale werden ermittelt, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt,
- Wahrscheinlichkeiten werden für ein Auftreten der Signale ermittelt, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird,
- die Wahrscheinlichkeiten werden unter Verwendung des Kopplungsmodells optimiert, wobei zumindest die Signal- Kopplungsgrößen ermittelt werden und - die neuronalen Aktivitäten werden zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert.
15. Computerlesbares Speichermedium, auf dem ein Programm gespeichert ist, das es einem Computer ermöglicht, nachdem es in einen Speicher des Computers geladen worden ist, folgende Schritte durchzuführen zur Analyse von neuronalen Aktivitäten in neuronalen Arealen unter Verwendung von die neuronalen Aktivitäten beschreibenden Signalen und eines Kopplungsmodells, bei welchem Kopplungsmodell a) die neuronalen Aktivitäten und die Signale unter Verwendung von Kreuzkopplungsgrößen miteinander gekoppelt werden, b) die Signale unter Verwendung von Signal-Kopplungsgrößen, die jeweils zwei von den Signalen miteinander koppeln, gekoppelt werden, c) die neuronalen Aktivitäten unter Verwendung von Aktivitä- ten-Kopplungsgrößen, die jeweils zwei von den neuronalen
Aktivitäten miteinander koppeln, gekoppelt werden,
- die Signale werden ermittelt, wobei jeweils ein Signal die neuronale Aktivität in einem der neuronalen Arealen beschreibt, - Wahrscheinlichkeiten werden für ein Auftreten der Signale ermittelt, wobei dem Auftreten der Signale eine durch eine Normalverteilung beschriebene statistische Verteilung zugrunde gelegt wird,
- die Wahrscheinlichkeiten werden unter Verwendung des Kopp- lungsmodells optimiert, wobei zumindest die Signal- Kopplungsgrößen ermittelt werden und
- die neuronalen Aktivitäten werden zumindest unter Verwendung der Signal-Kopplungsgrößen analysiert.
16. Computerprogramm mit Programmcode-Mitteln, um alle
Schritte gemäß Anspruch 1 durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
17. Computerprogramm mit Programmcode-Mitteln gemäß Anspruch 16, die auf einem computerlesbaren Datenträger gespeichert sind.
18. Computerprogramm-Produkt mit auf einem maschinenlesbaren Träger gespeicherten Programmcode-Mitteln, um alle Schritte gemäß Anspruch 1 durchzuführen, wenn das Programm auf einem Computer ausgeführt wird.
PCT/DE2003/002663 2002-08-09 2003-08-07 Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen WO2004021026A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP03790696A EP1527354A1 (de) 2002-08-09 2003-08-07 Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivit ten in neuronalen arealen
AU2003263124A AU2003263124A1 (en) 2002-08-09 2003-08-07 Method and arrangement and computer programme with programme code means for the analysis of neuronal activities in neuronal areas
US10/492,211 US20050009003A1 (en) 2002-08-09 2003-08-07 Method and arrangement and computer programme with programme code means for the analysis of neuronal activities in neuronal areas

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE10236629.2 2002-08-09
DE10236629 2002-08-09

Publications (1)

Publication Number Publication Date
WO2004021026A1 true WO2004021026A1 (de) 2004-03-11

Family

ID=31968956

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2003/002663 WO2004021026A1 (de) 2002-08-09 2003-08-07 Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen

Country Status (4)

Country Link
US (1) US20050009003A1 (de)
EP (1) EP1527354A1 (de)
AU (1) AU2003263124A1 (de)
WO (1) WO2004021026A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776941A (zh) * 2023-06-19 2023-09-19 浙江大学 基于双光子钙成像数据的神经元编码模型参数估计方法及装置

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2653513C (en) 2006-05-25 2015-03-31 Elminda Ltd. Neuropsychological spatiotemporal pattern recognition
US20140214730A9 (en) * 2007-02-05 2014-07-31 Goded Shahaf System and method for neural modeling of neurophysiological data
US7961922B2 (en) * 2007-05-31 2011-06-14 The Board Of Regents Of The University Of Texas System Systems and methods for processing medical image data to facilitate comparisons among groups of subjects
CA2706643A1 (en) * 2007-11-29 2009-06-04 Elminda Ltd. Clinical applications of neuropsychological pattern analysis and modeling
FR3055998B1 (fr) * 2016-09-09 2018-10-12 Olea Medical Systeme et procede pour reconstruire un signal physiologique d'un systeme dynamique artere/tissu/veine d'un organe dans un espace surfacique

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6370416B1 (en) * 1998-11-25 2002-04-09 Ge Medical Systems Global Technology Company Llc fMRI signal processing
AU1943301A (en) * 1999-12-02 2001-06-12 General Hospital Corporation, The Method and apparatus for measuring indices of brain activity

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FRISTON K.J.: "Statistical Parametric Mapping", INTERNET ARTICLE, 1 July 2002 (2002-07-01), pages 1 - 74, XP002267977, Retrieved from the Internet <URL:http://www.fil.ion.ucl.ac.uk/spm/papers/SPM-Chapter.pdf> [retrieved on 20040126] *
MCINTOSH A R ET AL: "Structural equation modeling and its application to network analysis in functional brain imaging", HUMAN BRAIN MAPPING, vol. 2, no. 1-2, 1994, pages 2 - 22, XP009023530, ISSN: 1065-9471 *
PETERSSON KARL MAGNUS ET AL: "Statistical limitations in functional neuroimaging I. Non-inferential methods and statistical models", PHILOSOPHICAL TRANSACTIONS OF THE ROYAL SOCIETY OF LONDON B BIOLOGICAL, vol. 354, no. 1387, July 1999 (1999-07-01), July, 1999, pages 1239 - 1260, XP002267976, ISSN: 0962-8436 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116776941A (zh) * 2023-06-19 2023-09-19 浙江大学 基于双光子钙成像数据的神经元编码模型参数估计方法及装置
CN116776941B (zh) * 2023-06-19 2024-04-26 浙江大学 基于双光子钙成像数据的神经元编码模型参数估计方法及装置

Also Published As

Publication number Publication date
EP1527354A1 (de) 2005-05-04
US20050009003A1 (en) 2005-01-13
AU2003263124A1 (en) 2004-03-19

Similar Documents

Publication Publication Date Title
DE102007036564B4 (de) Verfahren zur gewebespezifischen Optimierung von Bildgebungsparametern
WO2004021243A2 (de) Verfahren sowie computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse einer wirksamkeit eines pharmazeutischen präparats
DE102008044844B4 (de) Verfahren zur Ermittlung einer Schwächungskarte zur Verwendung in der Positronenemissionstomographie und von Homogenitätsinformationen des Magnetresonanzmagnetfeldes
DE102016202254B4 (de) Modellfreies Ermitteln von Bildbereichen mit anomaler Diffusion anhand von diffusionsgewichteten Magnetresonanzbilddaten
DE102007028901B4 (de) Verfahren und Vorrichtung zur automatischen Bestimmung von Perfusion mittels einer Magnetresonanzanlage
DE102015205694B3 (de) MR-Sättigung unter Berücksichtigung der abzubildenden anatomischen Strukturen
DE112013000671T5 (de) Gerät zum Planen einer Neuromodulationsbehandlung
Cheng et al. Task-related brain functional network reconfigurations relate to motor recovery in chronic subcortical stroke
DE10100441C2 (de) Verfahren zum Betrieb eines Magnetresonanzgeräts bei Initiierung einer neuronalen Aktivität und Magnetresonanzgerät zum Durchführen des Verfahrens
Shi et al. On the relationship between MRI and local field potential measurements of spatial and temporal variations in functional connectivity
WO2004021026A1 (de) Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln zur analyse von neuronalen aktivitäten in neuronalen arealen
DE10056457C2 (de) Verfahren zum Betrieb eines Magnetresonanzgeräts mit funktioneller Bildgebung
DE102017215444B4 (de) Aufnahme von Trace-gewichteten Magnetresonanzbilddaten mit anisotropen Diffusionsrichtungen
DE10121802A1 (de) Verfahren zur Bilderzeugung bei einem Kernspintomographie-Gerät und Kernspintomographie-Gerät
EP3287915B1 (de) Erzeugung einer favoritenmenge umfassend mehrere protokolle zur ansteuerung eines medizinischen bildgebungsgerätes
DE19913547C2 (de) Verfahren zur Nachbildung der von Gradientenspulen eines Kernspinresonanzgeräts erzeugten elektrischen Stimulationen in einem Untersuchungsobjekt und Vorrichtung zur Durchführung des Verfahrens
DE102005011125A1 (de) Verfahren und Vorrichtung zur inkrementellen Berechnung des General Linear Model bei zeitweiser Korrelation der Modellfunktionen
DE102019209079A1 (de) Verfahren zur Vermessung von Wirbelstromfeldern in einer Magnetresonanzeinrichtung, Magnetresonanzeinrichtung, Computerprogramm und elektronisch lesbarer Datenträger
DE102014221054A1 (de) Verfahren zur Erzeugung eines anzuzeigenden Bilddatensatzes aus Magnetresonanzdaten, Recheneinrichtung und Computerprogramm
EP1425679A2 (de) Anordnung mit künstlichen neuronen zur beschreibung eines übertragungsverhaltens einer erregenden nervenzelle
DE102021200990A1 (de) Verfahren zur Steuerung einer MR-Vorrichtung
EP1527406A2 (de) Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von neuronalen aktivit ten in neuronalen arealen
DE102018203784A1 (de) Verfahren zur Ermittlung einer örtlichen Konzentrationsverteilung von magnetischen Partikeln, System zur visuellen Darstellung von MPI-Bilddaten
WO2004021244A2 (de) Verfahren und anordnung sowie computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse von neuronalen aktivitäten in neuronalen arealen
DE10114270A1 (de) Vorrichtung und Verfahren zur Messung des Einflusses einer technischen Einrichtung auf einen Nutzer

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 2003790696

Country of ref document: EP

AK Designated states

Kind code of ref document: A1

Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): GH GM KE LS MW MZ SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG

121 Ep: the epo has been informed by wipo that ep was designated in this application
WWE Wipo information: entry into national phase

Ref document number: 10492211

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 2003790696

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: JP

WWW Wipo information: withdrawn in national office

Country of ref document: JP

WWW Wipo information: withdrawn in national office

Ref document number: 2003790696

Country of ref document: EP