ECTS - University of Pisa
Advanced Image Processing - Alla fine del corso, gli studenti avranno appreso i metodi per l'analisi delle immagini e dei segnali per lo studio delle funzioni cerebrali. In particolare, gli studenti apprenderanno i metodi esplorativi e quelli basati su forti ipotesi a priori per l'analisi di immagini di risonanza magnetica funzionale. Inoltre, apprenderanno come i dati elettroencfalografici e le immagini cerebrali possano essere usate per esplorare la connettività funzionale cerebrale. Gli studenti avranno la possibilità di applicare gli approcci proposti durante sessioni di laboratorio dedicate, usando sia dati simulati che reali.
Advanced Image Processing - By the end of the course, students will acquire knowledge about the methods that can be applied to the analysis of images and signals, for the study human brain functions. Specifically, students will learn hypothesis and data driven approaches as applied to functional magnetic resonance imaging. Moreover, they will learn how electroencephalographic signals and brain images can be used to explore brain functional connectivity. Students will have the possibility of applying the proposed approaches during dedicated laboratory sessions, using both simulated and real data.
Advanced Image Processing -
Le sessioni in laboratorio avranno un obiettivo specifico indicato e verificato dal docente. I risultati, i vantaggi e le limitazioni dei diversi approcci verranno discusse collegialmente.
Advanced Image Processing -
The laboratory sessions will have a specific goal, that will be indicated and verified by the Professor. Group discussions will be hold to comment the results and both benefits and limitations of the applied methodologies.
Advanced Image Processing -
Alla fine del corso gli studenti saranno in grado di:
applicare i metodi confirmatori per l'analisi delle immagini neurofunzionali, sia a livello di singolo soggetto che a livello di gruppo
applicare gli approcci esplorativi data driven (PCA, ICA) per la pre-eleaborazione delle immagini neurofunzionali e i segnali eeg
stimare misure di connettività funzionale, utilizzando sia approcci data driven che model driven, e stimare la loro significatività statistica
Advanced Image Processing -
By the end of the course students will be able to:
apply hypothesis driven methods for the analysis of functional neuroimages, both at single subject and at group level
apply data driven approaches (PCA, ICA) for the preprocessing of functional neuroimages and eeg signals
estimate functional brain connectivity measures, both data and model driven, and estimate their statistical significance
Advanced Image Processing -
Durante le sessioni in laboratorio agli studenti verrà richiesto di sviluppare la sequenza di elaborazione dei dati, così come i codici corrispondenti. La strategia adottata e i risultati saranno discussi con il docente.
Advanced Image Processing -
During the laboratory sessions students will have to develop the processing pipeline as well as the code for data processing. The pipeline and the results will be discussed with the teacher.
Advanced Image Processing -
Gli studenti sapranno sviluppare e progettare paradigmi sperimentali tenendo conto dei passi di elaborazione necessari.
Svilupperanno le consapevolezza relativamente alla necessità di acquisire i dati in maniera accurata e di minimizzare i fattori confondenti.
Advanced Image Processing -
Students will be able to design and develop experimental paradigms also taking into account the necessary processing steps.
They will acquire awareness of the accuracy needed to acquire data and to minimize confounding factors
Advanced Image Processing -
Durante le sessioni di laboratorio verranno discusse a livello di gruppo le problematiche legate ai pardigmi sperimentali utilizzati per l'acquisizione dei dati a disposizione.
Durante le sessioni di laboratorio saranno valutati il grado di accuratezza e precisione delle attività svolte
Advanced Image Processing -
During lab sessions group discussions will be organized to revise the experimental paradigm issues pertaining the data under study.
Durante le sessioni di laboratorio saranno valutati il grado di accuratezza e precisione delle attività svolte
Advanced Image Processing -
Fourier analysis of continuous time and discrete time signals
Contiuous time and discrete time linear time invariant systems.
Probability and statistics
statistical signal processing (random processes, parametric models as ARMA)
Advanced Image Processing -
Analisi di Fourier di segnali a tempo continuo e discreto
Sistemi lineari tempo invarianti a tempo continuo e discreto
Elementi di probabilità e statistica
Elaborazione statistica dei seganli (processi casuali, modelli parametrici quali modelli ARMA)
Advanced Image Processing -
Il corso si focalizzerà su approcci univariati e multivariati per l'analisi della connettività funzionale stimata dai dati elettroencefalografici (EEG) e di risonanza magnetica funzionale (fMRI).
Nel contesto dei dati fMRI, i modelli lineari generali saranno trattati sia a livello di singolo soggetto che di gruppo. Verranno analizzati i modelli lineari gerarchici (HLM) per l'analisi di studi multisessione e multi-gruppo. Verrà descritta la stima dei parametri e iper-parametri dell'HLM utilizzando 'algoritmo di massimizzazione dell'aspettazione (EM).
Verranno introdotti approcci basati sui dati. Nello specifico, il corso si focalizzerà sull'analisi delle componenti indipendenti (ICA), sia per l'analisi dei dati EEG e fMRI.
Il corso si occuperà dell'analisi di modelli per la caratterizzazione della connettività funzionale. Verranno introdotte la causalità di Granger applicata all'analisi dei segnali biomedici, e le misure di coerenza quali la DTF e la PDC, che sono misure del dominio della frequenza derivate dai Modelli di causalità di Granger.
Verranno inoltre trattati altri metodi per lo studio della connettività funzionale quali il cross spettro e la coerenza.
Verranno discusse le problematiche relative alla non stazionarietà nell'analisi dei segnali biomedici e gli approcci metodologici per trattarla. In questo contesto, verranno mostrati l'analisi wavelet e le misure derivate come il cross-spettro Wavelet e la coerenza wavelet.
Infine, il corso introdurrà la modellizzazione elettromagnetica di EEG e modellizzazione inversa elettromagnetica di sorgenti EEG e discuterà l'integrazione di EEG e fMRI.
Advanced Image Processing - The course will focus on univariate and multivariate approaches for the analysis of functional connectivity as estimated from electroencephalographic (EEG) and functional Magnetic Resonance Imaging (fMRI) data.
Within the context of fMRI data, general linear models will be addressed both at single subject and group level. Analysis of hierarchical linear models (HLM) for the analysis of multi-session, multi-group studies will be covered. Estimation of parameters and hyperparameters of the HLM using the expectation maximization (EM) algorithm will be described.
Data driven approaches will be introduced. Specifically, Independent Component Analysis (ICA) will be mainly taken into account, both for the analysis of EEG and fMRI data.
The course will move to the analysis of models for the characterization of functional connectivity. Granger causality as applied to the analysis of biomedical signals will be introduced, as well as Partial directed coherence and Direct Transfer functions, that are frequency domain measure derived from Granger Causality Models.
Other methods for the study of functional connectivity will be covered as Cross spectrum and coherence.
Non-stationarity issues in the analysis of biomedical signals will be discussed as well as the methodological approaches to face with non-stationarity. In this context, wavelet analysis and derived measures as Wavelet cross spectrum and wavelet coherence will be shown.
Finally, the course will introduce electromagnetic modelling of EEG and electromagnetic inverse modelling of EEG sources, and discuss the integration of EEG and fMRI
Advanced Image Processing - Il materiale didattico sarà fornito dal docente in forma di dispense.
Advanced Image Processing - The educational material will be given by the teacher.
The exam is made up of two oral examinations, one for each module.
During the oral exam, students will be also asked to show and discuss the results of the application of the methodologies covered during the course to both simulated and real data.
The exam is made up of two oral examinations, one for each module.
During the oral exam, students will be also asked to show and discuss the results of the application of the methodologies covered during the course to both simulated and real data.
