Computational Neuroimaging

Gefördert durch das Förderprogramm für Forschung und Lehre (FöFoLe) der Medizinischen Fakultät, LMU München
und SAP

Bildgebende Verfahren wie Magnetresonanztomographie (MRT) oder Elektroenzephalografie (EEG) erlauben nicht-invasive Messungen des menschlichen Gehirns. Um aus diesen Messung ein besseres Verständnis der Neuroanatomie und Neurophysiologie zu gewinnen ist eine weiterführende Analyse notwendig. Wir erforschen neue computer-gestützte Analyseverfahren die auf mathematisch Modellen beruhen. Diese haben das Potenzial genauere Aussagen über krankheitsbezogene Veränderungen im Gehirn machen zu können und zu den zugrundeliegenden Mechanismen.

Gehirn Lateralisation
Beide Gehirnhemisphären weisen sowohl strukturelle als auch funktionelle Unterschiede auf. Die Bevorzugung einer Hemisphäre für bestimmte Fähigkeiten, auch Lateralisation genannt, ist wesentlicher Teil der menschlichen Entwicklung. So wird angenommen, dass die Lateralisation sowohl zur Entwicklung der menschlichen Sprache also auch des Denkens beigetragen hat. Die Lateralisation unterstützt vermutlich die effizientere Verarbeitung von Information. Untypische Lateralisation wird mit mehreren Krankheitsbildern in Verbindung gebracht, unter anderem Autismus. Mit Hilfe von Magnetresonanztomographie, der automatischen Rekonstruktion von Gehirnstrukturen und der genauen Charakterisierung mittels BrainPrint, versuchen wir die Lateralisation genauer zu vermessen um damit die neurobiologischen Ursachen genauer zu verstehen.
C. Wachinger, P. Golland, W. Kremen, B. Fischl, M. Reuter, BrainPrint: A Discriminative Characterization of Brain Morphology, NeuroImage, Vol 109, pp. 232-248, 2015.


Domain adaptation zur Unterstützung des Transfers mathematischer Modelle in die Klinik
Eine Frage die sich stellt ist ob sich statistische Modelle die auf einem großen Datensatz erstellt wurden auf andere Datensätze, z.B. in die Klinik, übertragen lassen. Wir haben diese Frage genauer untersucht und festgestellt, dass Unterschiede in den Datensätzen eine starke Auswirkung auf die Genauigkeit der Vorhersage haben können. Um die Genauigkeit zu erhöhen haben wir ein neues Verfahren entwickelt, mit dem Modelle bessere an unterschiedliche Domänen angepasst werden können. Diese Verfahren stammen aus dem Bereich des maschinellen Lernens in dem aktive an neuen Algorithmen zur Domain Adaptation geforscht wird. Verfahren zu Domain Adaptation werden in der Zukunft eine große Rolle für die Translation von mathematischen Modellen in die Klinik spielen.
Wachinger C, Reuter M, Domain Adaptation for Alzheimer's Disease Diagnostics, NeuroImage, 2016
http://www.sciencedirect.com/science/article/pii/S1053811916301732


Kontakt
Prof. Dr. Christian Wachinger
Christian.Wachinger@med.uni-muenchen.de