Scheda programma d'esame
INTEGRATIVE CEREBRAL FUNCTION AND IMAGE PROCESSING
NICOLA VANELLO
Anno accademico2023/24
CdSBIONICS ENGINEERING
Codice002MI
CFU12
PeriodoAnnuale
LinguaInglese

ModuliSettore/iTipoOreDocente/i
ADVANCED IMAGE PROCESSINGING-INF/06LEZIONI60
GAETANO VALENZA unimap
NICOLA VANELLO unimap
INTEGRATIVE CEREBRAL FUNTIONM-PSI/02LEZIONI60
ALESSANDRO COMPARINI unimap
ANGELO GEMIGNANI unimap
DANILO MENICUCCI unimap
Obiettivi di apprendimento
Learning outcomes
Conoscenze

 

Advanced Image Processing - Alla fine del corso, gli studenti avranno appreso i metodi per l'analisi delle immagini e dei segnali finalizzati allo studio delle funzioni cerebrali. In particolare, apprenderanno l'utilizzo di approcci basati su modelli parametrici e non parametrici, e su metodi esplorativi. Sapranno descrivere caratteristiche e differenze degli approcci univariati e multivariati, per lo l'esplorazione dell'attività cerebrale. Apprenderanno i metodi per lo studio della connettività cerebrale a partire da dati elettroencefalografici e da immagini di risonanza magnetica funzionale, nonché per lo sviluppo di modelli che integrino dati periferici e centrali. Gli studenti avranno la possibilità di applicare gli approcci proposti durante sessioni di laboratorio dedicate, usando sia dati simulati che reali.

Knowledge

Advanced Image Processing - By the end of the course, students will acquire the methods for the analysis of brain functions using  biomedical image and signal analysis.  In particular, they will learn the use of approaches based on parametric and non-parametric models, and on exploratory methods. They will be able to describe the characteristics and differences of univariate and multivariate approaches for the exploration of brain activity. They will learn the methods for studying brain connectivity starting from electroencephalographic data and functional magnetic resonance images. They will develop models that integrate peripheral and central data. Students will have the opportunity to apply the proposed approaches during dedicated laboratory sessions, using both simulated and real data.

Modalità di verifica delle conoscenze

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.

Assessment criteria of knowledge

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.

Capacità

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

applicare modelli per lo studio delle funzioni e delle interazione dei sistemi periferico e centrale 

 

Skills

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

apply models to study the functions and interactions of peripheral and central systems

 

Modalità di verifica delle capacità

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.

Assessment criteria of skills

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.

Comportamenti

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.

Behaviors

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

Modalità di verifica dei comportamenti

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

Assessment criteria of behaviors

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

Prerequisiti (conoscenze iniziali)

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)

 

Prerequisites

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)

 

Programma (contenuti dell'insegnamento)

Advanced Image Processing -

Verrnno richiamati i concetti di base per l'elaborazione dei segnali e immagini nel dominio del tempo e della frequenza.

Verranno richiamati i concetti di base della teoria della probabilità e statistica.

A partire dall'analisi statitistica bivariata e multivariata, verranno introdotti i metodi utili all'analisi della connettività funzionale; questi includono l'analisi della correlazione e della covarianza fino agli approcci basati sulla teoria dell'informazione. Verranno inoltre analizzati gli approcci non parametrici e individuati i campi di utilizzo.

Il corso poi si focalizzerà su approcci univariati e multivariati per l'analisi delle funzioni e della connettività funzionale stimata dai dati elettroencefalografici (EEG) e di risonanza magnetica funzionale per immagini (fMRI).

Saranno studiati i metodi per l'analisi della connettività funzionale nel dominio frequenziale quali il cross-spettro e la coerenza, nonchè approcci basati sulla coerenza di fase.

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.

Il corso si occuperà dell'analisi di modelli per la caratterizzazione della connettività cerebrale utilizzando metodi predittivi. 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.

Nel contesto dei dati fMRI, verranno studiati i modelli lineari generali  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.

 

Syllabus

Advanced Image Processing -

The basic concepts for signal and image processing in the time and frequency domains will be recalled.

The basic concepts of probability theory and statistics, will be addressed.

The methods for the analysis of functional connectivity starting from bivariate and multivariate statistical analysis will be introduced. These will include the analysis of correlation and covariance as well as methods based on information theory. Non-parametric approaches will also be introduced and discussed.

The course will then focus on univariate and multivariate approaches for the analysis of brain function and brain functional connectivity estimated from electroencephalography (EEG) and functional magnetic resonance imaging (fMRI) data.

Methods for the analysis of functional connectivity in the frequency domain such as cross-spectrum and coherence, as well as approaches based on phase coherence, will be studied.

The issues related to non-stationarity in the analysis of biomedical signals and the methodological approaches to deal with it will be discussed. In this context, wavelet analysis and derived measures such as wavelet cross-spectrum and wavelet coherence will be shown.

The course will deal with the analysis of predictive models for the characterization of brain connectivity. We will introduce Granger causality applied to the analysis of biomedical signals, and coherence measures such as DTF and PDC, which are frequency domain measures derived from Granger causality models.
In the context of fMRI data, general linear patterns at both the individual and group levels will be studied. It will be studied ho Hierarchical linear models (HLM) can be applied for the analysis of multi-session and multi-group studies. The estimation of HLM parameters and hyper-parameters using the expectation maximization (EM) algorithm will be described.

Data-driven approaches will be introduced. Specifically, the course will focus on independent component analysis (ICA), both for the analysis of EEG and fMRI data.

Bibliografia e materiale didattico

Advanced Image Processing - Il materiale didattico sarà fornito dal docente in forma di dispense.

Bibliography

Advanced Image Processing - The educational material will be given by the teacher.

Modalità d'esame

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.

 

Assessment methods

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.

Ultimo aggiornamento 08/08/2023 16:46