The brain; complex system people want to know about but still they are at the beginning of understanding it. There has been a lot of neuroimaging systems since developement of modern technologies and magnetic resonance imaging is one of them. In last days it isn't enough to examine only structural character of brain, the scientists are dealing with functional states more and more; the functional magnetic resonance imaging is perfectly good tool for this. There is a big amount of researches concerning individual brain regions but also a lot of them dealing with communication across the brain to clear up the causes of human behavior and functional failures. This thesis introduces the brain connectivity exploration, it uses the parcellation by anatomical atlases and it tries to use the knowledge of graph theory as one of the options to determine relations between brain centres and regions. The thesis introduces the software created for extraction of connectivity matrix resulting in graph processing and visualization.

Der menschliche inferiore Parietallappen (IPC) gehört zum Assoziationskortex und spielt eine wichtige Rolle bei der Integration von somatosensorischen (taktilen), visuellen und akustischen Reizen. Bisher gibt es keine eindeutigen Informationen über den strukturellen Aufbau dieser Hirnregion. Parzellierungen anhand der Zytoarchitektur reichen von zwei (Brodmann 1909) bis sieben Subareale (Caspers et al. 2006). Homologien zwischen dem IPC des Menschen und Makaken-Affen sind weitestgehend unbekannt. In der vorliegenden Arbeit wurden der Aufbau und die Konnektivitäten des menschlichen IPC genauer untersucht. Dazu führte man eine konnektivitätsbasierte Parzellierung des IPC an 20 Probanden durch. Als Methode kam Diffusions-Tensor-Imaging (DTI) kombiniert mit probabilistischer Traktogra-phie zum Einsatz. Der IPC konnte anhand der Konnektivitäten in drei Subareale (IPCa, IPCm, IPCp) parzelliert werden. Diese besitzen in beiden Hemisphären eine ähnliche Größe und eine rostro-kaudale Anordnung. Die Parzellierung ist vergleichbar mit der des Makaken-IPC, bei dem ebenfalls eine Unterteilung in drei Areale (PF, PFG, PG) und eine rostro-kaudale Anordnung nachgewiesen werden konnte. Jedes Subareal des menschlichen IPC besitzt ein individuelles Konnektivitätsmuster. Beim Menschen als auch beim Makaken gibt es starke Verbindungen zum lateralen prämotorischen Kortex und zum superioren Parietallappen. Diese Gemeinsamkeiten lassen darauf schließen, dass strukturelle Eigenschaften im Laufe der Evolution erhalten geblieben sind. Allerdings sind beim Menschen auch Neuentwicklungen nachweisbar. Dazu gehören die deutlich hervortretenden Verbindungen zum Temporallappen. Möglicherweise haben sich diese erst während der Evolution entwickelt und sind beim Menschen als Teil des perisylvischen Sprachnetzwerkes an der Sprachbildung beteiligt.:1. Einleitung 1.1. Der inferiore Parietalkortex 1.2. Konnektivitätsbasierte-Parzellierung durch Diffusions-Tensor-Bildgebung 1.3. Motivation 1.4. Überblick 2. Methoden 2.1. Theoretische Grundlagen 2.1.1. Magnet-Resonanz-Bildgebung 2.1.2. Diffusionsgewichtete Magnet-Resonanz-Tomographie 2.1.3. Diffusions-Tensor-Bildgebung 2.1.4. Traktographie in der weißen Substanz 2.1.5. Parzellierungsmethoden 2.2. Datenerfassung 2.3. Datenverarbeitung 2.4. Parzellierung des IPC 2.4.1. Definition der Analyseregion 2.4.2. Bestimmung der Startvoxel 2.4.3. Probabilistische Traktographie 2.4.4. Clustering 2.4.5. Populationskarte 2.4.6. Statistische Auswertung der Parzellierungsergebnisse 2.5. Analyse der Konnektivitäten des IPC 2.5.1. Berechnung der Konnektivitäten 2.5.2. Statistische Auswertung der Konnektivitäten 3. Ergebnis 3.1. Definition der Analyseregion 3.2. Analyse der Parzellierung 3.3. Statistische Auswertung der Parzellierung 3.4. Zusammenfassung der Parzellierungsergebnisse 3.5. Populationskarte aller Probanden 3.6. Statistische Auswertung weiterer Eigenschaften 3.6.1. Schwerpunkte der Areale 3.6.2. Größe der Areale 3.7. Analyse der Konnektivitäten 3.8. Statistische Auswertung der Konnektivitäten 3.9. Vergleich der linken und rechten Hemisphäre 4. Diskussion 4.1. Zwei oder drei Regionen: Welche Parzellierung ist am geeignetsten für den IPC? 4.2. Welche Konnektivitäten charakterisieren den IPC? 4.3. Vergleich von Mensch und Makaken 4.3.1. Homologien in der Parzellierung des IPC 4.3.2. Homologien in den Konnektivitäten des IPC 4.4. Funktionelle Bedeutung der IPC Parzellierung 4.4.1. Der IPC des Makaken 4.4.2. Der IPC des Menschen 4.5. Anmerkung zu den Methoden 4.5.1. Definition der Analyseregion 4.5.2. Auflösung der Diffusions-Tensor-Bildgebung 4.5.3. Traktographie Artefakte 4.6. Zusammenfassung 5. Anhang 5.1. Glossar 5.2. Abkürzungsverzeichnis 5.3. Detaillierte Abbildung der Ergebnisse 6. Danksagung 7. Zusammenfassung der Arbeit 8. Literaturverzeichnis 9. Publikation 10. Eigenständigkeitserklärung 11. Lebenslauf / The human inferior parietal cortex convexity (IPCC) is an important association area, which integrates auditory, visual and somatosensory information. However, the structural organization of the IPCC is a controversial issue. For example, cytoarchitectonic parcellations reported in the literature range from two to seven areas. Moreover, anatomical descriptions of the human IPCC are often based on experiments in the macaque monkey. In this study we used diffusion-weighted magnetic resonance imaging (dMRI) combined with probabilistic tractography to quantify the connectivity of the human IPCC, and used this information to parcellate this cortex area. This provides a new structural map of the human IPCC, comprising three sub-areas (IPCa, IPCm, IPCp) of comparable size, in a rostro-caudal arrangement in the left and right hemisphere. Each sub-area is characterized by a connectivity fingerprint and the parcellation is similar to the subdivision reported for the macaque IPCC (rostro-caudal areas areas PF, PFG, and PG). However, the present study also reliably demonstrates new structural features in the connectivity pattern of the human IPCC, which are not known to exist in the macaque. This study quantifies inter-subject variability by providing a population representation of the sub-area arrangement, and demonstrates substantial lateralization of the connectivity patterns of IPCC.:1. Einleitung 1.1. Der inferiore Parietalkortex 1.2. Konnektivitätsbasierte-Parzellierung durch Diffusions-Tensor-Bildgebung 1.3. Motivation 1.4. Überblick 2. Methoden 2.1. Theoretische Grundlagen 2.1.1. Magnet-Resonanz-Bildgebung 2.1.2. Diffusionsgewichtete Magnet-Resonanz-Tomographie 2.1.3. Diffusions-Tensor-Bildgebung 2.1.4. Traktographie in der weißen Substanz 2.1.5. Parzellierungsmethoden 2.2. Datenerfassung 2.3. Datenverarbeitung 2.4. Parzellierung des IPC 2.4.1. Definition der Analyseregion 2.4.2. Bestimmung der Startvoxel 2.4.3. Probabilistische Traktographie 2.4.4. Clustering 2.4.5. Populationskarte 2.4.6. Statistische Auswertung der Parzellierungsergebnisse 2.5. Analyse der Konnektivitäten des IPC 2.5.1. Berechnung der Konnektivitäten 2.5.2. Statistische Auswertung der Konnektivitäten 3. Ergebnis 3.1. Definition der Analyseregion 3.2. Analyse der Parzellierung 3.3. Statistische Auswertung der Parzellierung 3.4. Zusammenfassung der Parzellierungsergebnisse 3.5. Populationskarte aller Probanden 3.6. Statistische Auswertung weiterer Eigenschaften 3.6.1. Schwerpunkte der Areale 3.6.2. Größe der Areale 3.7. Analyse der Konnektivitäten 3.8. Statistische Auswertung der Konnektivitäten 3.9. Vergleich der linken und rechten Hemisphäre 4. Diskussion 4.1. Zwei oder drei Regionen: Welche Parzellierung ist am geeignetsten für den IPC? 4.2. Welche Konnektivitäten charakterisieren den IPC? 4.3. Vergleich von Mensch und Makaken 4.3.1. Homologien in der Parzellierung des IPC 4.3.2. Homologien in den Konnektivitäten des IPC 4.4. Funktionelle Bedeutung der IPC Parzellierung 4.4.1. Der IPC des Makaken 4.4.2. Der IPC des Menschen 4.5. Anmerkung zu den Methoden 4.5.1. Definition der Analyseregion 4.5.2. Auflösung der Diffusions-Tensor-Bildgebung 4.5.3. Traktographie Artefakte 4.6. Zusammenfassung 5. Anhang 5.1. Glossar 5.2. Abkürzungsverzeichnis 5.3. Detaillierte Abbildung der Ergebnisse 6. Danksagung 7. Zusammenfassung der Arbeit 8. Literaturverzeichnis 9. Publikation 10. Eigenständigkeitserklärung 11. Lebenslauf

The aim of the thesis is to define the dependency of the classification of patients affected by neurodegenerative diseases on the choice of the parcellation atlas. Part of this thesis is the application of the functional connectivity analysis and the calculation of graph metrics according to the method published by Olaf Sporns and Mikail Rubinov [1] on fMRI data measured at CEITEC MU. The application is preceded by the theoretical research of parcellation atlases for brain segmentation from fMRI frames and the research of mathematical methods for classification as well as classifiers of neurodegenerative diseases. The first chapters of the thesis brings a theoretical basis of knowledge from the field of magnetic and functional magnetic resonance imaging. The physical principles of the method, the conditions and the course of acquisition of image data are defined. The third chapter summarizes the graph metrics used in the diploma thesis for analyzing and classifying graphs. The paper presents a brief overview of the brain segmentation methods, with the focuse on the atlas-based segmentation. After a theoretical research of functional connectivity methods and mathematical classification methods, the findings were used for segmentation, calculation of graph metrics and for classification of fMRI images obtained from 96 subjects into the one of two classes using Binary classifications by support vector machines and linear discriminatory analysis. The data classified in this study was measured on patiens with Parkinson’s disease (PD), Alzheimer’s disease (AD), Mild cognitive impairment (MCI), a combination of PD and MCI and subjects belonging to the control group of healthy individuals. For pre-processing and analysis, the MATLAB environment, the SPM12 toolbox and The Brain Connectivity Toolbox were used.

Les parcellations cérébrales sont appliquées en neuroimagerie pour aider les chercheurs à ré- duire la haute dimensionnalité des données d’IRM fonctionnelle. L’objectif principal est une meilleure compréhension de l’organisation fonctionnelle du cerveau tant chez les sujets sains que chez les sujets souffrant de troubles neurologiques, dont la maladie d’Alzheimer. Malgré la vague d’approches de parcellations précédentes, les mesures de performance doivent en- core être améliorées pour générer des parcellations fiables, même avec de longues acquisitions. Autrement dit, une reproductibilité plus élevée qui permet aux chercheurs de reproduire des parcellations et de comparer leurs études. Il est également important de minimiser la perte d’informations entre les données compressées et les données brutes pour représenter avec précision l’organisation d’un cerveau individuel. Dans cette thèse, j’ai développé une nou- velle approche pour parcellaire le cerveau en reconfigurations spatiales distinctes appelées «états dynamiques de parcellations». J’ai utilisé une méthode d’agrégation de cluster simple DYPAC1.0 de parcelles basées sur des semences sur plusieurs fenêtres de temps. J’ai émis l’hypothèse que cette nouvelle façon de formaliser le problème de parcellisation améliorera les mesures de performance par rapport aux parcellations statiques. Le premier chapitre de ce document est une introduction générale au contexte des réseaux à grande échelle du cerveau humain. Je montre également l’importance des parcellations pour une meilleure compréhension du cerveau humain à l’aide de connectomes fonctionnels afin de prédire les schémas de progression de la maladie. Ensuite, j’explique pourquoi le problème de parcelli- sation cérébrale est difficile et les différentes questions de recherche ouvertes associées à ce domaine. Mes contributions à la recherche sont subdivisées en deux articles. Les deuxième et troisième chapitres sont consacrés au premier article principal et à son supplément publié dans Network Neuroscience Journal. Le quatrième chapitre représente le deuxième document en préparation. Le cinquième chapitre conclut mes contributions et ses implications dans le domaine de la neuroimagerie, ainsi que des orientations de recherche ouvertes. En un mot, la principale conclusion de ce travail est l’existence de reconfigurations spatiales distinctes dans tout le cerveau avec des scores de reproductibilité presque parfaits sur les données de test-retest (jusqu’à 0,9 coefficient de corrélation de Pearson). Un algorithme d’agrégation de cluster simple et évolutif appelé DYPAC 1.0 est expliqué pour identifier ces reconfigu- rations ou «états dynamiques de parcellations» pour des sous-réseaux de départ spécifiques (deuxième chapitre). L’analyse de ces états a montré l’existence d’un répertoire plus riche «d’états dynamiques» dans le cas des cortex hétéromodaux (ex: cortex cingulaire posté- rieur et cortex cingulaire antérieur dorsal) par rapport aux cortex unimodaux (ex: cortex visuel). En outre, les résultats de l’analyse de reproductibilité ont montré que DYPAC 1.0 a de meilleurs résultats de reproductibilité (en termes de corrélation de Pearson) par rapport aux parcelles statiques (deuxième chapitre). Plusieurs analyses démontrent que DYPAC 1.0 est robuste au choix de ses paramètres (troisième chapitre). Ces résultats et l’évolutivité de DYPAC 1.0 ont motivé une analyse complète du niveau cérébral. Je présente DYPAC 2.0 comme une approche au niveau cérébral complet pour fragmenter le cerveau en «états dynamiques de parcellations». Des reconfigurations spatiales distinctes et se chevauchant ou «états dynamiques» sont identifiées pour différentes régions du cerveau (quatrième chapitre). Ces états ont des scores de compression prometteurs qui montrent une faible perte d’infor- mations entre les cartes de stabilité d’état réduit et les données d’origine dans les cortex cérébraux, c’est-à-dire jusqu’à seulement 20% de perte de la variance expliquée. Cette thèse présente ainsi de nouvelles contributions dans le domaine de la parcellisation fonctionnelle qui pourraient avoir un impact sur la manière dont les chercheurs modélisent les interactions riches et dynamiques entre les réseaux cérébraux dans la santé et la maladie. / Brain parcellations are applied in neuroimaging to help researchers reduce the high dimen- sionality of the functional MRI data. The main objective is a better understanding of the brain functional organization in both healthy subjects and subjects having neurological dis- orders, including Alzheimer disease. Despite the flurry of previous parcellation approaches, the performance measures still need improvement to generate reliable parcellations even with long acquisitions. That is, a higher reproducibility that allows researchers to replicate par- cellations and compare their studies. It is also important to minimize the information loss between the compressed data and the raw data to accurately represent the organization of an individual brain. In this thesis, I developed a new approach to parcellate the brain into distinct spatial reconfigurations called “dynamic states of parcellations”. I used a simple cluster aggregation method DYPAC1.0 of seed based parcels over multiple time windows. I hypothesized this new way to formalize the parcellation problem will improve performance measures over static parcellations. The first chapter of this document is a general context introduction to the human brain large scale networks. I also show the importance of par- cellations for a better understanding of the human brain using functional connectomes in order to predict patterns of disease progression. Then, I explain why the brain parcellation problem is hard and the different open research questions associated with this field. My research contributions are subdivided into two papers. The second and the third chapters are dedicated to the first main paper and its supplementary published in Network Neuro- science Journal. The fourth chapter represents the second paper under preparation. The fifth chapter concludes my contributions and its implications in the neuroimaging field, along with open research directions. In a nutshell, the main finding of this work is the existence of distinct spatial reconfigurations throughout the brain with near perfect reproducibility scores across test-retest data (up to .9 Pearson correlation coefficient). A simple and scalable clus- ter aggregation algorithm called DYPAC 1.0 is explained to identify these reconfigurations or “dynamic states of parcellations” for specific seed subnetworks (second chapter). The analysis of these states showed the existence of a richer repertoire of “dynamic states” in the case of heteromodal cortices (e.g., posterior cingulate cortex and the dorsal anterior cingulate cortex) compared to unimodal cortices (e.g., visual cortex). Also, the reproducibility analysis results showed that DYPAC 1.0 has better reproducibility results (in terms of Pearson corre- lation) compared to static parcels (second chapter). Several analyses demonstrate DYPAC 1.0 is robust to the choice of its parameters (third chapter). These findings and the scalabil- ity of DYPAC 1.0 motivated a full brain level analysis. I present DYPAC 2.0 as the full brain level approach to parcellate the brain into “dynamic states of parcellations”. Distinct and overlapping spatial reconfigurations or “dynamic states” are identified for different regions throughout the brain (fourth chapter). These states have promising compression scores that show low information loss between the reduced state stability maps and the original data throughout the cerebral cortices, i.e. up to only 20% loss in explained variance. This thesis thus presents new contributions in the functional parcellation field that may impact how researchers model the rich and dynamic interactions between brain networks in health and disease.