Skip to content

Latest commit

 

History

History
116 lines (95 loc) · 8.43 KB

README.md

File metadata and controls

116 lines (95 loc) · 8.43 KB

References

  1. Voxel Activity Prediction http://users.stat.umn.edu/~gall0441/images/Openfmri_Voxel_Activity_Prediction.pdf
  2. Dataset OpenNeuro https://openneuro.org/datasets/ds000001/
  3. File dataset dapat di download disini https://drive.google.com/file/d/1G-yAZAXgCHcpEhL2teV174fu4Fu-y442/view?usp=sharing

Disclaimer

Percobaan ini dilakukan dengan mengikuti OpenfMRI Voxel Activity Prediction karya Matt Galloway dengan dilakukan beberapa modifikasi untuk tujuan studi. Data disediakan oleh organisasi OpenfMRI (openfmri.org) yang berfokus pada open-source dan berbagi dataset MRI (magnetic resonance imaging).

AnalysisMRI using Rshiny

Anggota proyek kelompok:

No Member Name Github Userid Student Id
2 Dustin Pradipta @dust16 00000011798
2 Marcel Cahya Prasetia @marcelcp 00000019043
3 Williem Citralin @tyrand3 00000014292

Voxel Activity Prediction menggunakan OpenfMRI

Penelitian ini bertujuan untuk melakukan prediksi dan pemberian visual pada bagian otak yang sedang beraktifitas. Pemodelan aktifitas netral dilakukan dengan studi fmri yang menggunakan polynomial kernel estimation. Dataset digunakan untuk melakukan statistik yang diperlukan untuk melacak aktifitas otak. Aktifitas tersebut direpresentasikan dengan perubahan alur darah pada otak. Pendeteksian dilakukan dengan melakukan monitor pada hemodynamic response blood-oxygen-level dependent (BOLD) untuk setiap voxel pada dataset. Voxel merepresentasikan nilai dari regular grid di ruang 3D.

Persiapan

  • Dataset yang dijadikan bahan penelitian adalah file dengan kategori NIFTI (bold.nii).
  • Dataset yang digunakan adalah sub-01_task-balloonanalogrisktask_run-01_bold.nii.gz
  • Objek ini memiliki 4 dimensi D[x, y, z, t] di mana x, y ∈ {1, ..., 64}, z ∈ {1, ..., 33}, dan t ∈ {1, ..., 210}.
  • Prediksi dilakukan terhadap respon hemodynamic dari setiap voxel. Untuk melakukan hal ini, dilakukan kernel non-parametric regression dari D[x, y, z, t] terhadap t di mana t adalah variabel waktu.

Pada rumus di atas, µ adalah fungsi yang akan dihitung. Penentu untuk µ(ti) adalah sebagai berikut:

Setiap pasangan (x, y, z) disebut dengan voxel yang dapat diibaratkan seperti pixel 3 dimensi.

Library R

Dalam melakukan penelitian digunakan library berikut:

  • library(shiny) -> digunakan untuk menampilkan dalam bentuk website
  • library(fmri) -> digunakan untuk membaca file .nii dan melakukan masking
  • library(locfit) -> digunakan untuk training data dengan mengaplikasikan local polynomial model dan local linear regression
  • library(NeatMap) -> digunakan untuk menampilkan kumpulan voxels dalam bentuk heatmap

Langkah Penelitian

1. Membaca file .nii

Tahapan readfile menggunakan library(fmri):

  • Menggunakan getwd() untuk mengetahui lokasi file agar dapat dibaca
  • Proses membaca file .nii hingga selesai dengan menggunakan fungsi read.NIFTI(path)

2. Masking

Tahapan masking menggunakan library(fmri): -Data yang diambil hanya bagian mask saja untuk diamati pada fungsi data$mask

  • Tujuannya dilakukan masking adalah untuk memfokuskan daerah penelitian. Daerah yang akan diteliti adalah daerah yang di masking, sedangkan daerah yang tidak di masking akan diabaikan sehingga akan mengurangi waktu komputasi
  • Dilakukan train pada data mask tersebut

3. Melakukan training data

Tahapan train menggunakan library(locfit):

  • Dengan menggunakan MSE melalui beberapa tahap:
    • Dalam penggunaannya MSE digunakan untuk menganalisa kinerja linear regression karena memungkinkan untuk mempartisi variasi dataset menjadi variasi dalam bentuk model
    • Split test dengan menggunakan 80% train dan 20% valid pada mask per = round(210 * 0.8)
    • Cross validation akan menggunakan bandwidth dan mengambil data random dari semua sisi fitting process dengan fungsi sample(index, per) dan index[-index_train]
    • Kernel density estimation adalah non-parametric distribusi probabilitas (diambil dari rata-rata dan variasi). Bandwidth pada kernel adalah variabel yang bebas yang memiliki pengaruh kuat dalam mendapatkan hasil.
  • Menggunakan local polynomial model yang didalamnya terdapat fitting process berdasarkan bandwidth (jumlah voxel yang ingin diteliti) dengan menggunakan fungsi locfit()
  • Dicari bandwidth yang menampilkan balance antara variasi dan hasil rata-rata prediksi
  • Hasil pertama akan menampilkan MSE dari train dan validasi


Kesimpulan dari hasil MSE pada `bandwidth` adalah semakin kecil `bandwidth` yang digunakan, mengakibatkan variasinya semakin besar dan sebaliknya. Dipilih bandwidth 20 karena diatasnya sudah memiliki variasi yang kecil

Tahapan prediksi menggunakan library(locfit):

  • Dari bandwidth 20 akan dilakukan proses local linear regression dari hasil prediksi local polynomial model dengan menggunakan fungsi lm()
  • Akan diukur activity menggunakan mean() diantara local polynomial model dan local linear regression yang akan menghasilkan nilai MSE, semakin besar nilai MSE (distance) maka voxel tersebut lebih aktif
  • Activity merepresentasikan koordinat voxel yang didalamnya terdapat nilai MSE

4. Menampilkan hasil

Hasil prediksi ditampilkan dalam bentuk heatmap menggunakan library(NeatMap):

  • Heatmap merepresentasikan kumpulan voxel membentuk otak
  • Pada voxel tertentu yang gelap, maka aktivitas pada voxel tersebut semakin minimal atau kurangnya aktivitas. Sedangkan pada voxel yang terang, menunjukkan bahwa terdapat aktivitas yang lebih aktif
  • Hasil lainnya, jika menggunakan bandwidth 5 akan menghasilkan kumpulan voxel yang lebih terang dikarenakan variasinya yang lebih besar dari pada bandwidth 20

5. Visualisasi data

Data akan ditampilkan secara visual dalam bentuk plot menggunakan aplikasi Shiny. Library yang digunakan adalah library(Shiny) dan library(datasets). Plot yang ditampilkan adalah:

  • Hasil Graph Voxel Activity pada [21,41,20]:

    • Komponen I,J,K -> I adalah sumbu X, J adalah sumbu Y, dan K adalah sumbu rotasi Z

    Bandwidth 5:

    Bandwidth 20:

    Bandwidth 35:

  • Heatmap:

    Bandwidth 5:

    Bandwidth 20:

    Bandwidth 35:

Kesimpulan

Kami yakin bahwa penelitian ini telah berhasil melakukan prediksi terhadap aktivitas yang terjadi di dalam otak yang direpresentasikan dalam bentuk voxel. Hasil setiap voxel didapatkan dari hasil MSE diantara local polynomial model dan local linear regression. Pada gambar heatmap, terdapat area yang lebih berwarna terang dan gelap. Pada area yang lebih terang, merepresentasikan voxel yang memiliki banyak aktivitas pada otak yang didapatkan dari nilai MSE yang besar pada voxel tersebut. Sebaliknya, untuk area yang lebih gelap merepresentasikan aktivitas otak yang kurang aktif atau minimal yang didapatkan dari nilai MSE yang lebih kecil.