Algoritmi per la parcellazione cerebrale: verso regioni cerebrali realmente omogenee

The aim of this Master’s thesis is to develop clustering algorithms that can effectively identify functionally homogeneous brain regions while maintaining a reasonable size distribution. Clustering methods are essential for studying changes in brain activity and for constructing multilayer dynamic brain networks. In this study, we compared three clustering methods and a static parcellation: the Craddock clustering algorithm, the MINCORR and GROWING clustering algorithms created for this thesis, and the Brainnetome template. We used fMRI data to assess the performance of these clustering methods . Our GROWING algorithm outperforms the other methods achieving better metrics regarding spatial consistency and size distribution, especially for high thresholds. However, it is worth noting that the GROWING algorithm is slower and more complex than the Craddock algorithm. We explored different parameters for threshold and regularization and examined how they affect the clustering algorithms’ performance. The results indicate that the static parcellation approach, such as the Brainnetome, is inferior to all clustering algorithms, as it fails to create spatially consistent brain regions and to portray changes in brain activity through time. To conclude, our algorithm is the first region-growing algorithm that directly maximizes brain regions’ homogeneity. Our results highlight the importance of dynamic parcellations for the study of dynamic brain activity and their potential to improve our understanding of brain functions.

L’obiettivo di questa Tesi di Laurea Magistrale è sviluppare algoritmi di clustering in grado di identificare efficacemente regioni cerebrali funzionalmente omogenee, mantenendo una ragionevole distribuzione delle dimensioni. I metodi di clustering sono essenziali per studiare i cambiamenti dell’attività cerebrale e per costruire network cerebrali dinamici multilayer. In questo studio abbiamo confrontato tre metodi di clustering e una parcellazione statica: l’algoritmo di clustering Craddock, gli algoritmi di clustering MINCORR e GROWING creati per questa tesi e il modello Brainnetome. Abbiamo utilizzato dati fMRI per valutare le prestazioni di questi metodi di clustering. Il nostro algoritmo GROWING supera gli altri metodi ottenendo metriche migliori per quanto riguarda la coerenza spaziale e la distribuzione delle dimensioni, soprattutto per soglie elevate. Tuttavia, vale la pena notare che l’algoritmo GROWING è più lento e complesso dell’algoritmo di Craddock. Abbiamo esplorato diversi parametri per la soglia e la regolarizzazione e abbiamo esaminato come influiscono sulle prestazioni degli algoritmi di clustering. I risultati indicano che l’approccio di parcellazione statica, come il Brainnetome, è inferiore a tutti gli algoritmi di clustering, poiché non riesce a creare regioni cerebrali spazialmente coerenti e a rappresentare i cambiamenti dell’attività cerebrale nel tempo. In conclusione, il nostro è il primo algoritmo di region-growing che massimizza direttamente l’omogeneità delle regioni cerebrali. I nostri risultati evidenziano l’importanza delle suddivisioni cerebrali dinamiche per lo studio dell’attività cerebrale nel tempo e il loro potenziale nel migliorare la comprensione delle funzioni cerebrali