Kombination von geometrisch orientiertem statistischem und tiefem Lernen für Neurobildgebungsdaten

• Antragstellerinnen: Professorin Dr. Sonja Greven; Professorin Dr. Kerstin Ritter
• Fachliche Zuordnung: Medizininformatik und medizinische Bioinformatik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Kognitive und systemische Humanneurowissenschaften ; Statistik und Ökonometrie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459422098

In diesem Projekt werden Methoden für Daten entwickelt, die nicht-vektoriell strukturierte Objekte (Objektdaten) darstellen, die auf einer Mannigfaltigkeit liegen, und die in der biomedizinischen Bildgebung eine Schlüsselrolle spielen. Insbesondere werden wir uns auf zwei wichtige Spezialfälle konzentrieren: 1) Konnektivitätsmatrizen aus der funktionellen Magnetresonanztomographie (fMRI) und 2) Formen von Gehirnstrukturen aus der strukturellen Magnetresonanztomographie (MRI), die sowohl als Eingabe (z.B. für die Klassifikation von Krankheiten) als auch als Ausgabe (z.B. als Krankheitsmarker) relevant sind. Konnektivitätsmatrizen sind symmetrische positiv definite Matrizen und Formen sind Äquivalenzklassen in Bezug auf Translation, Rotation und/oder Skalierung, aber die geometrische Struktur der Riemannschen Mannigfaltigkeiten, auf denen sie leben, wird oft ignoriert. Dies kann z.B. zu ungültigen Vorhersagen außerhalb des Raums (z.B. nicht positiv definite Konnektivitätsmatrizen) für Objekt-Ausgaben und zu suboptimalen Ergebnissen bei der Klassifikation von Objekt-Eingaben führen. Weitere Herausforderungen bei Neurobildgebungsdaten sind Störvariablen wie Alter oder Geschlecht, für die oft nicht kontrolliert wird, und die Abhängigkeit zwischen Objekten derselben Probanden in Längsschnittstudien. Ein weiteres Desiderat sind interpretierbare Modelle, die zu einem besseren Verständnis der zugrundeliegenden Beziehung zwischen gesundheitlichen Ergebnissen, neurobiologischen Markern und anderen Faktoren wie Alter oder Geschlecht beitragen können und gleichzeitig eine gute Vorhersageleistung aufweisen.In diesem Projekt werden wir Methoden für beide Arten von Objektdaten als Eingaben oder Ausgaben entwickeln, die deren Geometrie berücksichtigen. Wir kombinieren die Stärken flexibler modellbasierter statistischer Lernansätze - Interpretierbarkeit, Anpassung für Störfaktoren und zeitliche Abhängigkeitsstruktur - mit denen des Deep Learning - insbesondere Vorhersageleistung und skalierbare Softwarelösungen. Um die Beziehung von Objekt-Biomarkern mit einer Reihe von gesundheitsbezogenen Variablen, einschließlich Alter und Krankheitsstatus, besser zu verstehen, indem wir validere und interpretierbarere Modelle erstellen, werden wir diese Methoden in drei Datensätzen für beide Arten von Objektdaten testen. Dabei handelt es sich um 1) fMRI-Konnektivitätsmatrizen aus der UK Biobank und dem Human Connectome Project und 2) Formdaten aus der Längsschnittdatenbank der Alzheimer's Disease Neuroimaging Initiative.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5363: KI-FOR Integration von Deep Learning und Statistik zum Verständnis strukturierter biomedizinischer Daten