Wissensbasierte Optimierung von selbstorganisierenden Merkmalskarten (SOM) zur Analyse von funktionellen Magnetresonanztomographien (fMRT)

Die funktionelle Magnetresonanztomographie (fMRT) des Gehirns ermoglicht die Lokalisation funktioneller Ablaufe im Gehirn. Erhother Blutflus als Folge von erhohter neuronaler Aktivitat in einem aktivierten Hirnareal ist mit Hilfe sehr schneller MR-Bildgebung mesbar. Durch geeignete Aktivierungsparadigmen uber einen Zeitraum ist es moglich, aktivierte von nicht aktivierten Regionen zu trennen. Zur Trennung werden die gemessenen Zeitreihen (MR-Signal in der Zeit) fur jedes Voxel auf dessen Korrespondenz mit dem Aktivierungsparadigma uberpruft. Neben den bisher verwendeten statistischen Verfahren ist es auch moglich eine Separierung der Zeitreihen mittels einer selbstorganisierenden Merkmalskarte (SOM, Self- Organizing Map) zu erreichen, ohne dabei ein Modell der hamodynamischen Antwort des Gehirns zu verwenden. Die nur sehr geringe Anzahl an aktivierten Voxel setzt eine Vorauswahl geeigneter Kandidaten fur das Training des SOM Neuronalen Netzwerkes voraus. Die hier beschriebene Methode wahlt die geeignetsten Lernkandidaten anhand des Vorwissens uber die Periodizitat des Aufgabenparadigmas unter Verwendung des Fourierspektrums bzw. des Frequenzperiodogramms jeder Zeitreihe aus, wodurch eine erhebliche Verbesserung der Klassifikationsleistung der SOM erreicht wird.