دانشگاه رازی

  چکیده (Abstract)این مطالعه به بررسی چالش‌های تفسیری در تصویربرداری تشدید مغناطیسی کارکردی (fMRI) می‌پردازد؛ جایی که سیگنال وابسته به سطح اکسیژن خون (BOLD) به عنوان یک شاخص همودینامیک غیرمستقیم برای فعالیت نورونی عمل می‌کند و تحت تاثیر جفت‌شدگی عروقی-عصبی و محدودیت‌های فنی قرار دارد. هدف این پژوهش، توسعه و ارزیابی یک چارچوب محاسباتی تکرارپذیر برای تخمین فعالیت عصبی پنهان از روی مدل‌سازی تابع پاسخ همودینامیک (HRF) و واسازی منظم‌شده (regularized deconvolution) است.  روش‌شناسی پژوهش شامل تحلیل داده‌های عمومی fMRI حاصل از پنج آزمودنی، مقایسه خطوط لوله پیش‌پردازش (GSR در برابر بدون GSR)، و ارزیابی مدل‌های پیش‌بینی‌کننده مختلف بود. نتایج نشان داد که واسازی مبتنی بر HRF، تخمین‌های پنهان منسجم داخلی با انسجام فرکانس پایین بالایی تولید کرده است. شایان ذکر است که مدل‌های غیرخطی و یادگیری ماشین (به عنوان مثال، SVR و LSTM) عملکرد بهتری نسبت به خط پایه خطی شفاف نداشتند؛ مدل خطی عمومی (GLM) با میانگین ریشه میانگین مربع خطای (RMSE) ?.???? به بالاترین دقت پیش‌بینی دست یافت. یک یافته مهم این بود که «رویدادهای پراکنده» (sparse events) ـ که تنها ??? از فریم‌های BOLD با دامنه بالا را نشان می‌دهند ـ ساختار اتصال کارکردی کل سری زمانی را با شباهت بالای ?.?? حفظ کردند. این پایان‌نامه نتیجه‌گیری می‌کند که اگرچه مدل‌سازی صریح HRF و تحلیل رویدادهای پراکنده، تفسیر سیگنال BOLD را تقویت می‌کنند، اما سیگنال‌های تخمین‌زده‌شده همچنان مشتق از مدل باقی می‌مانند و نباید به عنوان حقیقت زمینی الکتروفیزیولوژیک مستقیم در نظر گرفته شوند.  واژگان کلیدی: تصویربرداری تشدید مغناطیسی کارکردی؛ سیگنال BOLD؛ تابع پاسخ همودینامیک؛ واسازی؛ اتصال رویدادهای پراکنده؛ یادگیری ماشین