Estrazione di mappe di connettività funzionale da reti neurali

Abstract

La connettività funzionale è un metodo cruciale per comprendere le reti intricate dentro il cervello e le informazioni che si diffondono in esse. Perciò, padroneggiare le tecniche per ricostruirla ha una significativa importanza per guadagnare una più profonda conoscenza sulle funzioni cerebrali. Inoltre è potenzialmente un marker per rilevare patologie neurodegenerative, comprendere disordini neurologici, e rifinire strategie di riabilitazione. Questa tesi ha come scopo quello di esaminare i vari metodi per accertare la connettività funzionale (cioè cross-correlation (CC), spike-time tiling coefficient (STTC), total spiking probability edges (TSPE), filtered and normalized crosscorrelogram histogram (FNCCH), GLMCC), e al tempo stesso introdurre un nuovo approccio chiamato iFNCCH, progettato per superare alcuni difetti incontrati nel FNCCH. Le performance di ciauscin metodo sono valutate usandome metriche come ROC, AUC, MCC e il rispettivo massimo, insieme al Jaccard index, che misura la similarità tra insiemi. In particolare, verrà dimostrato che la ROC da sola non è affidabile nel valutare la superiorità di un metodo rispetto ad un altro. Addizionalemnte, l'utilizzo del Jaccard index per valutare l'accuratezza dei metodi per stimare la distrubuzione del peso sinaptico rappresenta un contributo nuovo. Questi metodi sono applicati a una rete neurale simulata consistente di 100 neuroni, sviluppata per il bene di questa Tesi. I risultati indicano che certi metodi mostrano limitazioni in rilevare diversi tipi di connessioni. Inoltre, verrà illustrato che lo iFNCCH dimostra competenza nell'identificare entrambe le connessioni eccitatorie e inibitorie, in alcuni casi sorpassando metodi preesistenti già validati.

Functional connectivity is a crucial method for understanding the intricate networks within the brain and the spreading of information within them. Thus, mastering the techniques for reconstructing it holds significant importance for gaining deeper insights into brain function. Furthermore, it holds promise as a potential marker for detecting neurodegenerative diseases, understanding neural disorders more comprehensively, and refining rehabilitation strategies. This thesis aims to examine various methods for assessing functional connectivity (i.e. cross-correlation (CC), spike-time tiling coefficient (STTC), total spiking probably edges (TPSE), filtered and normalized cross-correlation histogram (FNCCH), generalized linear model crosscorrelogram (GLMCC)), alongside introducing a novel approach termed iFNCCH, designed to overcome some issues encountered in the FNCCH. The performance of each method is assessed using metrics such as ROC, AUC, MCC, and their respective maxima, along with the Jaccard index, that measures similarity between sets. Notably, it will be demonstrated that ROC alone may not reliably determine the superiority of one method over another. Additionally, the utilization of the Jaccard index to evaluate the accuracy of methods in estimating synaptic weight distributions represents a novel contribution. These methods are applied to a simulated neural network comprising 100 neurons, developed for the sake of this Thesis work. Results indicate that certain methods exhibit limitations in detecting diverse connection types. Furthermore, it will be illustrated that iFNCCH demonstrates proficiency in identifying both excitatory and inhibitory connections, in same cases surpassing existing methodologies in performance