Abstract
Since the mid of 1990s, functional connectivity study using fMRI (fcMRI) has drawn increasing attention of neuroscientists and computer scientists, since it opens a new window to explore functional network of human brain with relatively high resolution. A variety of methods for fcMRI study have been proposed. This paper intends to provide a technical review on computational methodologies developed for fcMRI analysis. From our perspective, these computational methods are classified into two general categories: model-driven methods and data-driven methods. Data-driven methods are a large family, and thus are further sub-classified into decomposition-based methods and clustering analysis methods. For each type of methods, principles, main contributors, and their advantages and drawbacks are discussed. Finally, potential applications of fcMRI are overviewed
چکیده
از زمان اواسط دهه 1990، مطالعه ارتباطات عملکردی با استفاده از fMRI توجه بسیاری را دانشمندان علوم اعصاب و کامپیوتر را به خود جلب کرده است زیرا دریچه جدیدی را برای کشف شبکه عملکردی مغز انسان با رزولوشن نسبتا بالا می گشاید. انواع روش ها برای مطالعه fcMRI پیشنهاد شده اند. این مقاله در صدد ارائه یک مرور فنی روی روش های تحقیق محاسباتی است که برای آنالیز fcMRI ساخته شده اند. از چشم انداز ما، این روش های محاسباتی به دو دسته کلی طبقه بندی می شوند: روش های مدل محور و روش های داده محور. روش های داده محور یک خانواده بزرگ هستند و از این رو باز هم به روش های دیگر تجزیه محور و روش های آنالیز خوشه ای تقسیم بندی می شوند. برای هر نوع از این روش ها، درباره اصول، قسمت های اصلی و مزایا و ایرادات آنها صحبت می شود. در نهایت کاربردهای بالقوه fcMRI بررسی می گردند.
-1مقدمه
دو دهه گذشته شاهد محبوبیت تصویربرداری عملکردی تشدید مغناطیسی (fMRI) به عنوان ابزاری برای ترسیم عملکردهای مغز انسان بوده است. با اندازه گیری تغییرات جداگانه وابسته به میزان اکسیژن خون، fMRI بخش های فعال مغز را آشکارسازی می نماید...