Fonksiyonel Manyetik Rezonans Görüntüleme (fMRI), beyin aktiviteleri hakkında 3 boyutlu resim verisi verebilen bir MRI çeşididir. Beyindeki manyetik değişmeleri kullanan fMRI, beyinde oluşan sinirsel aktiviteleri kaydeder. Nöron faaliyetleri sonucunda oluşan haritaların fMRI ile bilgisayar ortamına aktarılmasıyla beynin çalışma kısımları sınıflandırılması ve bazı hastalıkların erken teşhisi konusundaki çalışmaların yürütülmesinde önemli katkı sağlamaktadır. fMRI ile yarım saniyede bir 3 boyutlu olarak alınan beynin sinirsel verileri, makine öğrenme yöntemlerinde kullanılabilir. Bir insan deneğinin zihinsel durumunu sınıflandırmak için fMRI ile alınan 3 boyutlu verileri üzerinde makine öğrenme algoritmaları kullanıldı. Denek fMRI cihazına bağlı iken anlamlı veya anlamız cümle okutulmuş ve herhangi bir şey ile ilgili sözcük gösterilmiştir. Yüksek boyutlu fMRI (105 özellik), verisi sınıflandırmada kullanılmıştır. Makine öğrenme algoritmalarının uygulamasını yaparak öğrenmem pekişmektedir. Anahtar Kelimeler: bilimsel veri analizi, fonksiyonel Manyetik Rezonans Görüntüleme, yüksek boyutlu veri, özellik Seçim, Bayes sınıflandırıcı(Bayesian classifier), Destek Vektör Makinesi(Support Vector Machine,), en yakın komşu(nearest neighbor), beyin görüntü analizi(brain image analysis).
İnsan beyni konusunda çalışmalar Adolf HITLER zamanında Almanya’da Nazi doktorları tarafından yapılan beyin çalışmaları dışında kayda değer bir çalışma yapılamamıştır. Beyin konusunda çalışma çok riskli ve geri dönüşümü olmayan tehlikeli bir alan olması dolayısıyla ölülerin beyinleri incelenmesi dışında ilerleme sağlanamadı. Şimdi ise beyin çalışırken beyine hasar vermeden ondan bilgi alabilme imkânları sayesinde bu konuda çalışmalar giderek artmaktadır. fMRI, herhangi bir düşünme veya yorumlama sırasında beyinde meydana gelen nöron aktivitesini kaydedip 3 boyutlu veri haline getirilebilmektedir. Bu kaydetme sırasında beynin küçük bölümleriyle ilgili büyük miktarda verimli bilgiler kaydedilmektedir. Okuma ve görme sırasında çok miktarda beyinsel aktivite verisi kaydedildi. Burada bu veriler ışığında makine öğrenme algoritmaları kullanarak deneğin zihinsel durumu çözülmesi sağlanması amaçlanmaktadır. Yani geçici durumlar yerine birçok bölüm üzerinde alınan ortalamaya bağlı olarak karakterize edilmesi amaçlanmaktadır. Makine öğrenme algoritmaları kullanılarak oluşturulan raporlar ve veriler nörobilime ve tıp bilişimine büyük bir katkı sağlamaktadır. Alzheimer hastalığı gibi hastalıkların teşhisinde kullanılabilmektedir. fMRI verilerin gürültülü olmasından dolayı makine öğrenmesi açısından ilgi uyandırıcıdır. Her bir sınıf başına 100.000 özellikle tanımlanan çok gürültülü veri bulunmaktadır. Bu yazıda beynin çalışma mantığı, fMRI çalışma sistemi ve alınan verilerle makine öğrenme algoritmalarının uygulanması ele alınacaktır.
İnsan beyni ortalama 1,5 kg ağırlığındadır.[1] Kişiden kişiye, 1130 ile 1260 cm3 olarak değişen hacme sahiptir. İnsanda beyninde yaklaşık 86 milyar nöron vardır.[2] Beyin canlı iken yani kan dolaşımına sahipken oldukça yumuşak bir yapıdadır. İnsan beyninde beş ana lob bulunur. Şekil 1 gösterilmiştir. Bunlar:
Yukarıda listelenen her bir lob, beynin her iki yarımküresinde de bulunur. Serebellum dışında bu lobların hepsi telensefalonun(üst lob) parçasıdır. Şekil 2 beyin çalışma sırasında bazı lobların aktif olma durumu gösterilmiştir. Herhangi bir anlamı veya düşünce yapısını nöronların birlikte kurduğu ilişki temsil etmektedir. Yani tüm beyinsel aktivitelerin olmadığını bir durumun var olduğunu kabul edersek bir cismi düşünmemizle birlikte onu temsil eden nöron bağlantıları aktif hale gelir ve sinaps denilen yapılarla bir ilişki kurar. Sağlıklı bir insan beyninin temel fonksiyonlarını aynı nöron topluğunu aktif hale temsil eder. Şekil 3 de bir düşünceye ait nöron gösterilmiştir. Şekil. 1 Beynin lobları
Şekil. 2 Beynin çalışması sırasında fMRI ile çekilen çalışan bölümlerini gösteren 3 boyutlu animasyon. A:önden, B: arkadan, C: sağdan, D: soldan, E: alttan, F: üstten görümü.
Şekil. 3 Beynin çalışan bölgelerine inildiğinde nöron denen sinirsel bağlantılar görülmektedir.
Beyin aktiviteleri hakkında 3 boyutlu resim verisi verebilen bir MRI çeşididir. Bu teknik, kandaki oksihemoglobin (oksijenin akciğer kılcallarında 4 tane oksijen molekülü ile birleşmesi sonucu oluşan birleşiktir.) ile oksijenini yitirmiş̧ deoksihemoglobinin (oksihemoglobin bağladığı 4 tane oksijen moleküllerinden bir veya daha fazlasını yitirmesi sonucu dönüşen yapıdır.) manyetik özelliklerindeki farklılığa dayalıdır ve bu nedenle fMRI sinyali Kan Oksijenasyon Düzeyine Bağımlı Sinyal (Blood-Oxygenation-Level-Dependent signal – BOLD) olarak adlandırılır. Sinirsel aktivite artması, aktive olan bölgede oksijen tüketilmesinde ve enerji metabolizmasında artışa neden olur. Bunun sonucunda, oksijenini yitiren hemoglobinin artar ve manyetik sinyalde küçülme olur. Bununla birlikte, yerel kan akımındaki artış̧ ile saniyeler içerisinde oksijen tüketiminde artış olur. Beyin kan akımındaki artış̧, oksijen tüketimindeki artışın üzerine çıktığından oksi-hemoglobin artar ve sinyal büyüklüğünde artış görülür. Bu manyetik değişmeler kullanılarak, fMRI beyinde oluşan sinirsel aktiviteleri kaydeder. Nörolojik hastalığın tespitinde önemli katkısı bulunmaktadır. Sağlıklı bir insanın beynin temel çalışmaları sırasında aynı bölgeler tetiklenmektedir. Bu tetiklenen bölgelerin haritaları çıkarıldığında ortaya çıkabilecek sorunları önceden görebilme imkânı doğacaktır. Şekil 4 fMRI resim şeklinde çıktısı görülmektedir. Her 15 saniye bir okunan kelimenin isim veya fiil(doğru cevap fiil ) olduğunu düşünmesi sonucunda beyinde meydana gelen aktiviteler sekil 5 gösterilmiştir. Şekil. 4 Beynin çalışması sırasında fMRI çekilmesi.
Şekil. 5 Beyninde z yönünde katmanlardan(üsten bakıldığındaki dilimlerden) bir tanesinin nöronlardan oluşan her bir birimin aktivitesinin fonksiyon şeklinde gösterilmesi.
Burada her bir uyarıcı özelliğine bakarak fonksiyon değeri tahmin edilir. Burada tersten giderek zihinsel durumdan fonksiyon çıkarılır. Daha önce yapılan araştırmalarda bir insanın farklı resimlere bakarken beyinde oluşan nöronsal aktivite farklı görünümü fMRI ile ortaya konulmuştur. Yani bir insan beyninde eve bakarken ayrı bir nöron aktivite haritası oluşurken bir arabaya bakmasıyla daha farklı bir harita oluşur.
Amerika’da bir üniversitede öğrencileri kullanılarak fMRI gürültüsü en fazla olan konular seçilmiştir. Gereksiz veriler çıkartılmıştır. Beyin birimlerindeki aktiviteler yüzde olarak temsil edilmiştir. Her bir denek için 2 tane resim verisi alınmıştır. Birincisi beyin aktivasyonunu yakalar ve fonksiyonel bir görüntüyü oluşturmuştur. İkisinde yapısal görüntü olarak adlandırılan yüksek çözünürlükte statik beyinsel beyin yapısını yakalamıştır. Her bir beyinsel birim bunların ikisi alınarak meydana getirilmiştir.
fMRI-dizisi (t1, t2) sürekli zaman aralığı sırasında toplanan fMRI görüntüleri [t1, t2] dizisidir ve bunlar beyinsel aktivite durumlarını ifade eder. Veri setlerinde birden fazla konu için fMRI verileri içerir. Bu fMRI dizisinin kodlaması için çeşitli araştırmalar yapılmıştır. Her bir fMRI dizisinin [t1, t2] zaman aralığından karşılığı nöron aktivitelerin ortalaması alınarak oluşturulan beyinsel birimlerdir. Sayısı yüz binleri bulunan her bir özellik için bir değer tanımlamak yerine işi daha basitleştirmek için makine öğrenme algoritmalarıyla bu sayısı düşürme için çalışma yapılmaktadır. - Gaussian Naive Bayes (GNB): GNB kullanılarak fMRI verisi üzerinde olasılık tahmini yapılır. Örneğin x = (x1 . . . xn) giderken olasılığı P(ci | x) için x seçilmesi durumunda ci seçilme olasılığını fMRI olarak hesaplar. Bağımsız özellikleri için olasılık hesabı: P eğitim verilerinden GNB dağılımını gösterir. - k komşuluk (k Nearest Neighbor - kNN): Veri içerisinden rasgele seçilen K adet noktaya küme merkezi gözüyle bakılır. Tüm veri noktaları bu küme merkezlerine uzaklıklarına göre gruplanır. Her gruplamadan sonra küme merkezleri tekrar hesaplanır. Şekil 6 görüldüğü gibi rastgele 2 adet merkez belirlenmiş, verileri bu merkezlere en yakın olacak şekilde bir gruba yerleştirmiş, her gruba atanan tüm veri gruplarını ortalaması alınarak yeni bir merkez elde edilmiş en iyi sonuç elde edilinceye kadar devam edilmiş ve sonuç olarak veriler sınıflandırılmıştır. Şekil. 6 K komşuluk algoritmasının(kNN) uygulanması. - Destek Vektör Makinesi (support vector machine - SVM): veriyi sınıflandırırken sınıfların birbirlerine en yakın örneklerini bularak bu örneklerin (iki sınıfı ayıracak olan) ayırıcı yüzeye dik uzaklıklarını maksimize etmeyi amaçlar. Ayırıcı yüzeyin, veri kümesi üzerindeki başarısı değişmeden birçok farklı alternatifi olabilir. SVM sayesinde ayırıcı yüzey her iki sınıfa da aynı mesafede ve maksimum uzaklıktadır. Şekil 7 iki sınıf için eşit uzaklıkta bir doğru bulunması için işlem yapılmakta ve sonuç olarak istenilen doğru bulunması gösterilmiştir.
Şekil.7 Destek Vektör Makinesi(SVM) algoritmasının uygulanması.
Üç ayrı fMRI çalışması sonucunda oluşan verilerin eğitilmesi olsa da biz sadece tek bir çalışma yapacağız. Elimizde bulunan fMRI verilerinde deneklere bir cümle ve bir resim gösterilmiştir. Denekler, bu cümlenin resmi tanımlayıp tanımlamadığı cevabını bulmaya çalışmıştır. Belirli bir zaman aralığı sırasında deneğin incelediği yazı veya resimlerin ayırt emek için sınıflandırma çalışması yapılmıştır. Çalışmaların yarısında deneklere ilk önce resim sonrasında cümle gösterilmiştir. Geri kalan çalışmalarda ise tam tersine ilk önce cümle sonra resim gösterilmiştir. Her iki durumda da 4 saniye resim veya cümle gösterildi sonrasında 4 saniye bir şey gösterilmedi. Bir başka konuya geçilmeden 15 saniye ara verilmiştir. Deneklere +, *, $ işaretleri kullanarak şekil 8 gibi resimler gösterilmiştir. Şekil.8 Deneklere gösterilen örnek resim. Bunun resmin ilgili cümlesi: “It is true that the star is below the plus.” Cümleler de “It is true that the plus is below the dollar.” gibi olumlu ve “It is not true that the star is above the plus.” gibi olumsuz cümlelerden oluşmaktadır. Her bir konu araya dinlemeler de eklenerek 40 çalışmayla yapılmıştır. Bu dinlenme süreleri sırasında denek sabit bir noktaya bakmıştır. fMRI görüntüleri her 0,5 saniyede alınmıştır. 8 saniyelik aralıklarla verilen fMRI verilerinin sınıflandırılmasını öğrenmesini sağlamamız gerekmektedir. fMRI-dizisi(t0, t0 + 8) → {resim, cümle} olacak şekilde bir sınıf oluşturmamız gerekmektedir. Denekleri uyaran başlangıç t0 zamanıdır. Böylece 8. saniye deneğe sunulan cümle veya resmin başlangıcı sınıflama için girdidir. Her bir uyarma için 4 saniye verilmesine rağmen biz 8 saniyelik zamanda bunların sonucunu alabiliyoruz. Her bir denekten 80 örnek vardır.
Şekil. 9 fMRI çekilen bölgeler işlevine göre kübik hücrelere bölünmesi gösterilmiştir. fMRI ile alınan 6 tane denek verisi bulunmaktadır:
Veri hakkında genel bilgi ve matlab aktarılırken gerekli olan teknik bilgileri içerir. meta = study: 'data-starplus' subject: '05710' ntrials: 54 nsnapshots: 2800 nvoxels: 4634 dimx: 64 dimy: 64 dimz: 8 colToCoord: [4634x3 double] coordToCol: [64x64x8 double] rois: [1x25 struct] colToROI: {4634x1 cell}
Alınan verinin detayı ve çalışma hakkında bilgi içermektedir. Her bir hücre hakkında detaylı bilgi açıklamaktadır. Her bir satır bir zaman aralığı olmak üzere 54 tür. Deneğe gösterilen cümle ve resim hakkında doğru yapıp yapmadığı ile gösterilenler hakkında bilgi verir. Diğer zaman aralıkları dinlenme zamanına denk gelmektedir. Bir satırlık örneği inceleyelim: info(18) mint: 894 maxt: 948 cond: 2 firstStimulus: 'P' sentence: ''It is true that the star is below the plus.'' sentenceRel: 'below' sentenceSym1: 'star' sentenceSym2: 'plus' img: sap actionAnswer: 0 actionRT: 3613
Her 0,5 saniyede fMRI tarafından alınan ham görüntüler dizisidir. 54 denemeye ait veri dizi bulunmaktadır. data{x}(t,v) dizisi x deneme indeksini, t uygulanan zamanı, v ise beyinde aktif olan bölümler hakkında bilgi verir. data{x}(t,:) dizisi bir x denemesinin t zamanındaki tam görüntüsünü verir.
matlab kullanabileceğimiz bazı fonksiyonları inceleyelim:
x denemesinin z index değeri için animasyon gösterir.
x denemesinin z index ve sonraki 5 değeri için animasyonunu gösterir.
x denemesinin z index göre animasyonunu gösterir. 16 tane z-index gösterir.
x denemesinin n. Resmini z index göre gösterimi
x denemesinin n. Resmini z index göre gösterimi
load data-starplus-04847-v7.mat; animateTrial(info,data,meta,3,6);
%see movie [i,d,m]=transformIDM_selectTrials(info,data,meta,find([info.cond]~=0));
% seletct non-noisey trials [examples,labels,expInfo] = idmToExamples_condLabel(i,d,m);
%create training data [classifier] = trainClassifier(examples,labels,'nbayes');
%train classifier [predictions] = applyClassifier(examples,classifier,'nbayes');
%test it [result,predictedLabels,trace] = summarizePredictions(predictions,classifier,'averageRank',labels);
1-result{1} % rank accuracy Buradan Matlab kodları ve verileri indirebilirsiniz. KAYNAKLAR