Ein mathematisches Verfahren zur Detektion a priori unbekannter Signalverläufe in der funktionellen Magnetresonanztomographie

Die funktionelle Magnetresonanztomographie (fMRT) ist ein
nicht-invasives Verfahren, das es ermöglicht, die Reizverarbeitung
im Gehirn zu visualisieren. Für die statistische Analyse der Daten
werden standardmäßig hypothesengeleitete Auswerteverfahren auf
Basis des allgemeinen linearen Modells (general linear model, GLM)
verwendet. Da der Signalanstieg in den Arealen sehr gering ist,
muss, um in einem Experiment, das mit der Methode des GLMs
ausgewertet werden soll, die Ruhe- und Aktivitätsbedingung mehrere
Male wiederholt werden, um das erhaltene Signal besser vom
Hintergrundrauschen trennen zu können. In bestimmten Fällen
neuronaler Aktivität kann ein Stimulus nicht mehrere Male
wiederholt werden, zum Beispiel nach Präsentation eines Reizes
durch den ein sensorisches System für längere Zeit verändert wird
(z.B. durch Adaptation). Die Methode der Independent Component
Analysis (ICA) ist ein datengeleitetes Auswerteverfahren, das es
ermöglicht Bilddaten so auszuwerten, dass a priori keine Hypothese
über den Verlauf der Zeitkurve oder die Signalintensität bekannt
sein muss. In dieser Arbeit konnte gezeigt werden, dass die ICA als
datengeleitete Analysemethode reliable Ergebnisse sowohl im Bereich
der trigeminalen Stimulation in fMRT Experimenten, als auch im
relativ neuen Forschungsfeld der pharmakologischen Stimulation in
der funktionellen Bildgebung liefert. Das Auswerteverfahren der ICA
stellt somit eine vielversprechende Bereicherung der fMRT-Methodik
dar.