Information distribution analysis in the fMRI measurements with degree of locality estimation

Abstract

In this investigation, we propose a new method for analyzing and representing the distribution of discriminative information for pattern analysis of functional Magnetic Resonance Imaging (fMRI) data. For this purpose, a spatially local mesh with varying size, around each voxel (called seed voxel) is formed. The relationship among each seed voxel and its neighbors are estimated using a linear regression model by minimizing the square error. Then, the optimal mesh size which represents the connections among each seed voxel and its surroundings is estimated by minimizing Akaike’s Final Prediction Error (FPE) with respect to the mesh size. The degree of locality is represented by the optimum mesh size. If the estimated mesh size is small, then the seed voxel is assumed to be connected to few other voxels; if it is large, the voxel is assumed to be massively connected to other voxels. It is shown that, the local mesh size with highest discriminative power depend on the individual subjects. Surprisingly, the optimal mesh size remains the same for the recognition task of different categories. The proposed method was tested on a memory task, which requires retrieval of item and temporal order information from memory. For each participant, estimated arc weights of each local mesh with different mesh size are used to classify the two types of information retrieved from memory (i.e. item and temporal order). Classification accuracies for each subject are found using k-Nearest Neighbor (k-NN) method. The results indicate that the proposed local mesh model with optimal mesh size can successfully represent discriminative information. / Bu çalışmada, fonksiyonel manyetik rezonans görüntüleme (fMRG) verisinde örüntü analizi için ayrımsayıcı bilgi dağılımının analizi ve ifadesi amacıyla yeni bir metot önerilmektedir. Bu amaçla, her vokselin (tohum voksel) çevresinde değişken boyutlarda uzamsal yerel örgü oluşturulur. Her tohum voksel ve komşuları arasındaki ilişki, bir doğrusal bağlanım modeli kullanılarak, hatanın karesi minimize edilecek şekilde kestirilir. Daha sonra, her tohum vokselle çevresi arasındaki bağlantıları temsil eden ideal örgü boyutu, Akaike’nin son öngörü hatası örgü boyutuna göre minimize ederek kestirilir. Lokalite derecesi, ideal örgü boyutu ile temsil edilir. Eğer kestirilen örgü boyutu küçükse, tohum vokselin az sayıda diğer voksellerle bağlantılı olduğu, büyükse vokselin yoğun olarak diğer voksellerle bağlantılı olduğu varsayılır. En yüksek ayrımsayıcı güce sahip yerel örgü boyutunun bireye bağlı olduğu gösterilmiştir. Şaşırtıcı şekilde, ideal örgü boyutu farklı kategorileri tanıma görevlerinde aynı kalmaktadır. Önerilen metot, öğe bilgisi ve zamansal sıra bilgisi görevlerinden oluşan bir bellek çalışması üzerinde test edilmiştir. Her özne için, farklı örgü boyutlarına sahip yerel ağların kestirilen yay ağırlıkları, beyinden getirilen iki tür bilgiyi (öğe ve zamansal sıra bilgisi) sınıflandırmak için kullanılmıştır. Her özne için sınıflandırma doğruluğu, k-en yakın komşu metodu kullanılarak bulunmuştur. Sonuçlar, önerilen ideal örgü boyutuna sahip yerel örgü modelinin, başarılı bir şekilde ayrımsayıcı bilgiyi temsil edebildiğini göstermiştir.