Lade Inhalt...

Entwicklung einer adaptiven VR-Umgebung für die Anwendung im Realtime-fMRI

Diplomarbeit 2007 101 Seiten

Informatik - Angewandte Informatik

Leseprobe

Inhaltsverzeichnis

1 Einleitung
1.1 Zielstellung
1.2 Struktur der Arbeit

2 Grundlagen
2.1 Medizinische Grundlagen
2.1.1 Die anatomische Gliederung
2.1.2 Die funktionelle Gliederung
2.2 Bildgebende Verfahren in der Medizin
2.2.1 Die Elektroenzephalographie (EEG)
2.2.2 Die Magnetoenzephalographie (MEG)
2.2.3 Die Magnetresonanztomographie (MRT)
2.2.4 Die funktionelle Magnetresonanztomographie (fMRT)
2.3 Brain Computer Interface - BCI
2.4 Grundlagen der Computergrafik
2.4.1 Modellierung
2.4.2 Virtuelle Realität und 3D Computer Engines
2.4.3 Interaktion
2.5 Verwandte Arbeiten
2.5.1 BBCI - Berlin Brain-Computer-Interface
2.5.2 BCI Anwendungen im MEG
2.5.3 BCI Anwendungen im MRT

3 Problemanalyse und Entwurf
3.1 Die Umsetzung der virtuellen 3D Welt
3.1.1 Die Auswahl einer geeigneten Softwareumgebung
3.1.2 Anforderungen an die 3D Welt
3.2 Analyse der Rahmenbedingungen
3.2.1 Die Anbindung an den Scanner
3.2.2 Die Anbindung an den rtExplorer
3.3 Die VR-Applikation
3.3.1 Anforderungen
3.3.2 Entwurf
3.3.3 Beschreibung eines Beispielexperiments

4 Umsetzung und Implementierung
4.1 Die Vision 3D Game Engine der Firma Trinigy
4.2 Die Modellierung der 3D Welt
4.2.1 Verschiedene Varianten einer VR-Welt
4.3 Die Anbindung an das Scannersystem
4.3.1 Gesamtaufbau des Scannersystems
4.3.2 Einlesen von Triggersignalen und Eingabegeräten
4.4 Die Anbindung an den rtExplorer
4.5 Die Verarbeitung der XML Datei in der VR-Applikation

5 Ergebnisse
5.1 Ein Beispielexperiment
5.2 Ausnutzung der Rechnerressourcen

6 Zusammenfassung und Ausblick

Literaturverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Quellcodeverzeichnis

Verzeichnis der Abkürzungen

Kapitel 1 Einleitung

Das Gehirn, seine Aufgaben und Funktionen beschäftigen die Menschen schon seit alters her. Trotz jahrhundertelanger Forschung wurden die meisten heutigen Erkenntnisse erst in den letzten 150 Jahren gewonnen. Dabei wurden Gehirnuntersuchungen durchgeführt, um Läsionen und damit einhergehende Funktionsstörungen aufzudecken. Diese Untersu- chungen erfolgten zunächst im Zuge von Obduktionen in der Pathologie. Mit der Ent- wicklung moderner Bildgebungsverfahren, wie funktionelle Magnetresonanztomographie (fMRT), Elektroenzephalographie (EEG) und Magnetoenzephalographie (MEG) ist es nun neben anatomischen Messungen beispielsweise auch möglich, kognitive Prozesse aus dem Bereich der Großhirnrinde nicht-invasiv zu erfassen. In diesem Fall können Aktivie- rungen im Gehirn bei Denkleistungen bestimmten Gehirnregionen zugeordnet werden. Diese Möglichkeit machen sich in neuester Zeit Entwickler von sogenannten ”Gehirn- Computer-Schnittstellen“ (BCI - Brain Computer Interface) zu Nutze. Bei einem BCI erfolgt die Steuerung äußerer Anwendungen, wie z. B. ein Buchstabierprogramm, mit Hilfe der Gehirnaktivierung. Mit Unterstützung eines online BCI-Systems kann es z. B. körperlich behinderten Menschen ermöglicht werden, neue Wege der Kommunikation und Beweglichkeit zu eröffnen. Mögliche Einsatzgebiete sind die Steuerung einer Buchstabiermachine oder von Prothesen über Nervenimpulse. Für eine erfolgreiche Anwendung eines BCI ist es erforderlich, dass die Auswertung der Gehirnmessung in Echtzeit erfolgt. Nicht nur aus diesem Grund wurden sogenannte Echt-Zeit oder auch Real-Time Messverfahren entwickelt. Die bisweilen stundenlange Auswertung der Messdaten kann somit innerhalb weniger Sekunden erfolgen und bildet die Grundlage für ein BCI.

Im Bereich der Kognitionswissenschaften werden BCIs beispielsweise eingesetzt, um Studien über Selbstregulierung der eigenen BOLD (Vgl. Kapitel 2.2.4 ) Signale durch- zuführen. Bei diesen sogenannten ”Neurofeedback“ExperimentenkannderProbandan einem Bildschirm erkennen, wie stark seine Aktivierung in einem ausgewählten Hirnareal ist. Anhand dieser Anzeige kann er nun trainieren, seine Gehirnströme gezielt selbst zu regulieren.

Ein weiteres interessantes Forschungsfeld in den Kognitionswissenschaften ist die Frage der Orientierung in fremden Umgebungen (real world Paradigmen). Für diesen Zweck ist es vorteilhaft, dreidimensionale virtuelle Welten am Computer zu erschaffen und dem Probanden zu präsentieren. Der Proband wiederum kann sich mit Hilfe von Tastatur oder Maus in diesen Welten ”bewegen“unddieseerkunden.DiesesVerfahrenbietetdie Möglichkeit, reale Plätze detailgetreu nachzubilden und Veränderungen schnell und ohne großen Aufwand umzusetzen.

Ein bedeutender Schritt ist die Verknüpfung von einem BCI und einer VR-Umgebung. Die Steuerung erfolgt dann nicht mehr über externe Eingabegeräte sondern mittels Gehirnaktivierungen. Experimente dieser Art sind jedoch noch sehr selten. Ansatzweise gelang dies mit einem zweidimensionalen Labyrinth [Yoo u. a. [2004]. Andererseits gibt es zum einen schon einige Experimente am MRT, die ein BCI anwenden und den Probanden Informationen über ihre Hirnaktivierung an einem Bildschirm anzeigen [Wolpaw u. a. [2002]. Zum anderen werden VR-Umgebungen im MRT präsentiert und mit Taster durchlaufen [Hoffman u. a. [2003].

Jede der vorgestellten Studien schließt einen der genannten Aspekte ein. Aber eine Kombination aus BCI, dreidimensionale VR und real time-MRT (oder weiteren Bildgebungsverfahren) wurde bislang nicht umgesetzt. Daraus ergibt sich die Aufgabe, eine flexible und robuste VR-Applikation zu implementieren, welche die Grundlage für weitere Arbeiten an der genannten Thematik bilden soll.

1.1 Zielstellung

Für ein BCI-System ist die Nutzung einer Echtzeit-Auswertung unumgänglich. Kom- merzielle Produkte, wie beispielsweise Turbo Brain Voyager [Goebel 2001], sind zwar schon auf dem Markt, lassen aber wenig Spielraum für freie Änderungen zu. Aus diesem Grund wurde in unserer Arbeitsgruppe der rtExplorer entwickelt. Er ist sowohl in das System des hier verfügbaren Siemens ”Trio“-3 TeslaTomographendermedizinischen Fakultät der Universität Magdeburg, als auch in das System des 7 Tesla Tomographen am ortsansässigen Leibniz-Institut für Neurobiologie (IfN) integriert.

Um die in der Einführung beschriebene Applikation für ein adaptives VR-System im MRT zu realisieren, sind mehrere Teilziele zu definieren. Einerseits muss die zu erstellende Anwendung in das System des verfügbaren Siemens 3 Tesla Tomographen der medizinischen Fakultät der Universität Magdeburg integriert werden. Dazu ist es erforderlich, die Triggersignale abzufangen und die Eingabegeräte einzubinden. Des Weiteren muss eine Anbindung an den schon bestehenden rtExplorer für die Echtzeitauswertung der Hirnaktivierung ermöglicht werden.

Ein weiteres Hauptziel ist die Entwicklung einer VR Umgebung, welche folgende Funktionalitäten besitzen soll:

1. Die virtuelle Welt soll einen m¨ oglichst realistischen Eindruck vermitteln. Dabei ste- hen Gesichtspunkte wie Gravitation, Kollisionserkennung und Partikelsysteme im Vordergrund. Gravitation und Partikel sollen nach Wunsch aktivier-/deaktivierbar sein.
2. Die Umgebung muss flexibel gestaltet werden. Es soll möglich sein, Aktionen und Objekte beliebig miteinander zu kombinieren. Zu diesem Zweck soll ein externes Script bereitgestellt werden. Damit wird verhindert, dass sich der Anwender durch den Quellcode der Applikation arbeiten muss.
3. Alle Objekte in der 3D Welt sollen einzeln manipulierbar sein und in Echtzeit adaptiv auf Ereignisse aus dem rtExplorer reagieren.

1.2 Struktur der Arbeit

Nachdem der vorangegangene Abschnitt einen Einblick in das Thema und die Aufgabenstellung dieser Arbeit gegeben hat, werden in Kapitel 2 theoretische Grundlagen aufgezeigt. Dabei werden sowohl anatomische als auch funktionelle Gliederung des Gehirns, Bildgebungsverfahren in der Medizin und die Funktionsweise eines BCI beschrieben. In Bezug auf den grafischen Teilaspekt dieser Arbeit werden Grundlagen aus der Computergrafik, VR und Game Engines angesprochen.

Für eine Einordnung der Arbeit in bestehende Forschungsstudien wurden verwandte Arbeiten ausgesucht, vorgestellt und in Hinblick auf die Zielstellung miteinander verglichen. Dabei wird herausgestellt, dass bisher noch keine ähnliche Applikation erstellt wurde, welche eine adaptive VR Welt in Verbindung mit einem BCI unterstützt.

In Kapitel 3 erfolgt eine Analyse der Problemstellung dieser Arbeit und ein konzeptioneller Entwurf der VR-Applikation. Hierbei wird zunächst eine geeignete Software für die Umsetzung evaluiert. Weiterhin werden Anforderungen an die 3D Welt und an die Applikation aufgezeigt.

Die Umsetzung des in Kapitel 3 erläuterten Entwurfs erfolgt in Kapitel 4. Dazu wird kurz die verwendete Software vorgestellt und die Modellierung der 3D Welt beschrieben. Weiterhin wird die Anbindung der VR Umgebung an den Tomographen und den rtExplorer erläutert.

In Kapitel 5 erfolgt eine Analyse der erstellten Applikation in Hinblick auf Effizienz und Laufzeitverhalten. Des Weiteren wird ein Experiment beschrieben, welches die Funktionalität der Anwendung darstellen soll.

Eine Zusammenfassung der vermittelten Informationen sowie Erläuterungen zu Ansätzen bei der zukünftigen Erweiterung und zur Verbesserung der VR-Applikation in Kapitel 6, schließen die vorliegende Arbeit ab.

Kapitel 2 Grundlagen

Ziel dieses Kapitels ist eine Darstellung der Grundlagen zur Thematik der Hirnforschung und der Realisierung von virtuellen Welten. Es wird zunächst auf die Anatomie des Ge- hirns und die dabei relevanten Techniken der medizinischen Bildgebung eingegangen. Anschließend wird der Begriff BCI 1 näher erläutert und die grundlegende Funktionswei- se eines BCI beschrieben. Eine Übersicht von Methoden für die Entwicklung von 3D Umgebungen und verwandte Arbeiten, die im Bezug zu diesem Diplomthema stehen, runden das Kapitel ab.

2.1 Medizinische Grundlagen

Der Mensch besitzt die Fähigkeit, Reize aus der Umwelt und aus dem Inneren seines Körpers wahrzunehmen und zu verarbeiten. Diese Aufgabe wird von dem Nervensystem übernommen, welches sich in zwei Untersysteme aufteilen lässt.

Das Zentralnervensystem (ZNS) besteht aus Gehirn und Rückenmark. Es ist verant- wortlich für die Integration der inneren und äußeren Reize, die Koordination sämtlicher motorischen Eigenleistungen des Organismus und für die Regulation der ablaufenden Abstimmungsvorgänge zwischen den Organen [Greenstein und Greenstein 1999]. In diesem Abschnitt geht es hauptsächlich um das Gehirn und seine anatomische und funktionelle Gliederung.

2.1.1 Die anatomische Gliederung

Das Gehirn (Cerebrum) kann in drei Sektionen unterteilt werden:

- Truncus cerebri (Hirnstamm),
- Cerebellum (Kleinhirn) und
- Telencephalon (Großhirn).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.1: Anatomische Einteilung des Gehirns mit ausgewählten Regionen und ihre anatomische Lokalisation (nach [Nolte 2002]). Die Numerierung bezieht sich dabei auf die dargestellten Hirnregionen in der Schnittansicht.

Dem Hirnstamm werden Medulla oblongata (verlängertes Rückenmark), Pons (Brücke) und Mesencephalon (Mittelhirn) zugeordnet. Er ist für die allgemeinen Lebensfunktio- nen zuständig. Seine Strukturen kontrollieren die Herzfrequenz, den Blutdruck und die Atmung. Auch das Wach-Schlafzentrum befindet sich hier [Trepel 1999]. Das Kleinhirn ist die wichtigste Kontrollinstanz für die Feinabstimmung von Bewegungs- abläufen. Es sitzt dem Hirnstamm von dorsal (von hinten) her auf. Das Diencepahlon (Zwischenhirn), als Teil des Großhirns [Nolte 2002], schließt sich dem Mittelhirn an und beinhaltet u.a. die beiden Anteile Thalamus und Hypothalamus. Der Thalamus gilt als ”Tor“undregeltdieein-undausgehendenInformationenzumGroß- hirn. Der Hypothalamus ist wiederum verantwortlich für die Steuerung von Atmung, Kreislauf, Nahrungsaufnahme, Körpertemperatur u.v.m. .

Das Großhirn, auch als Endhirn bezeichnet, ist der größte Teil des menschlichen Gehirns. Es wird angenommen, dass hier die menschlichen Eigenschaften, wie Denken, Fühlen und Handeln, manifestiert [Trepel [1999] sind.

Es lässt sich in zwei Hemisphären unterteilen, welche beide über den Balken (Corpus callosum) miteinander verbunden sind. Jede Hirnhälfte wiederum kann in fünf Lappen eingeteilt werden (Parietal-, Frontal-, Okzipital-, Temporal- und Limbischer Lappen) welche im folgenden Abschnitt näher beschrieben werden. Die Oberfläche des Großhirns ist stark gefaltet, wodurch eine große Oberfläche auf kleinstem Raum erzielt wird. So enstehen Furchen (Sulci) und Windungen (Gyri). Besonders hervorzuheben sind dabei der Sulcus centralis, welcher Frontal- und Parietallappen voneinander trennt, und der Sulcus lateralis, welcher den Temporallappen von den beiden eben genannten trennt. Weitere Bestandteile der Hirnhälften sind die Basalganglien, welche für die Steuerung der Körperbewegung bedeutend sind, und der Hippocampus.

2.1.2 Die funktionelle Gliederung

Wie im vorhergehenden Abschnitt ansatzweise beschrieben, können den unterschiedlichen Gehirnteilen bestimmte Funktionen zugeordnet werden. In der Forschung (z. B. in den Kognitionswissenschaften) ist besonders die funktionelle Gliederung der Großhirnrinde von Interesse. Sie beruht auf der histologischen Einteilung von Korbinian Brodmann Anfang des zwanzigsten Jahrhunderts. Er unterschied 52 Areale anhand ihrer Zellarchitektur. Die Numerierung, welche noch bis heute beibehalten wird, richtet sich nach der Reihenfolge seiner Studien [Greenstein und Greenstein 1999].

Die funktionelle Gliederung der Großhirnrinde ist eng mit deren anatomischer Gliederung verbunden. Im Frontallappen befinden sich primär motorisches Areal (Brodmann Areal 4), supplementär-motorisches Areal und prämotorisches Areal (beide Areal 6). Zusammen bilden sie den Motorkortex. Hier werden willkürliche Bewegungen und Bewegungsabfolgen gesteuert.

Der im Parietallappen gelegene Somatosensorische Kortex lässt sich den Brodmann Area- len 1,2 und 3 zuordnen. Zusätzlich können somatosensorische Assoziationen mit den Arealen 5 und 7 verbunden werden [Nolte 2002]. Der Somatosensorische Kortex ist ver- antwortlich für die haptische Wahrnehmung (Berührung, Druck, Temperatur, Schmerz). Der Visuelle Kortex im Okzipitallappen wird in den primären visuellen Kortex (Areal 17), welcher für den Empfang visueller Reize verantwortlich ist, und sekundären visuellen Kortex (Areal 18 und 19), welcher die visuellen Reize verarbeitet, unterteilt.

Für die Verarbeitung akustischer Reize ist der Auditorische Kortex im Temporallappen verantwortlich. So wie bei den zuvor beschriebenen Kortizes kann auch er in einen primären (Areal 41) und sekundären Bereich (Areal 42 und 22) unterteilt werden. Der erste Bereich, das primäre Hörfeld, verarbeitet akustische Reize. Um diese Reize als Wörter, Melodien oder Geräuschen zu erkennen, müssen sie im zweiten Bereich, dem sekundären Hörfeld verarbeitet werden.

Ein Vergleich der Brodmann-Areale mit der Anordnung der Kortizes wird in Abbildung 2.2 gezeigt.

Die anatomische und die funktionelle Gliederung sind eng miteinander verbunden. Sämt- liche Grundfunktionen und einfache Verarbeitungen eines Organismus können bestimm-

Abbildung in dieser Leseprobe nicht enthalten

(a) Brodmann Areale [Nolte 2002]

Abbildung in dieser Leseprobe nicht enthalten

(b) Kortizes [Wikipedia 2007a]

Abbildung 2.2: Das linke Bild stellt die Unterteilung der Gro ß hirnrinde von K. Brodmann dar. Das rechte Bild zeigt die Anordnung der bekannten Kortizes. Rote Bereiche stellen den Motorkortex dar, blaue Bereiche den somatosensorischen Kortex, gelbe Bereiche den visuellen Kortex und grüne den auditorischen Kortex.

ten Bereichen im Gehirn zugeordnet werden. Um das Verständnis über die Fähigkeiten des menschlichen Gehirns zu verbessern, wurden verschiedene Techniken entwickelt, mit denen man das Gehirn erforschen kann. Die heute Bedeutsamsten sollen im folgenden Abschnitt kurz erläutert werden.

2.2 Bildgebende Verfahren in der Medizin

Um die Wahrnehmungsleistungen des Menschen besser verstehen zu können bedarf es einer näheren Untersuchung der Quelle dieser Leistungen (des Gehirns). In der Vergangenheit wurden vor allem durch Obduktionen Läsionen und damit einhergehende Funktionsstörungen untersucht. Mit der Entwicklung und Verbesserung von Verfahren zur nicht-invasiven Messung der Gehirnaktivität ist es nun auch möglich, am intakten Gehirn eines Menschen Untersuchungen vorzunehmen.

2.2.1 Die Elektroenzephalographie (EEG)

Das EEG geht auf die Arbeit von Prof. Dr. Hans Berger in den 1920er Jahren zurück. Anfänglich in Tierversuchen und später auch beim Menschen gelang ihm 1924 erstmals, Hirnströme als elektrische Aktivitäten vom menschlichen Gehirn über Trepanationsstel- len 2 mit Bleifolienelektroden abzuleiten. Anfangs skeptisch und mit vielen Wiederholun- gen untermauert, veröffentlichte er seine Entdeckung mit der Arbeit Über das Elektren- kephalogramm des Menschen “ erst im Jahr 1929 [Berger 1929], fand aber bei anderen Forschern damit kein Gehör. Erst E.D. Adams, ein englischer Neurophysiologe, erkannte die Tragweite von Bergers Entdeckung und setzte sie 1934 für seine Forschungen ein.

Als nicht-invasive Methode kann es heute bei vollem Bewusstsein und in beinahe jeder Körperlage eingesetzt werden um die elektrische Aktivität des Gehirns zu bestimmen. Im Vergleich zu anderen Bildgebungsverfahren bietet es einen relativ geringen technischen Aufwand [Schlögl 2005].

Mittels Kopfhautelektroden werden beim EEG direkt oberflächliche elektrische Felder ge- messen, die auf neuronale Aktivität zurückzuführen sind (zum Vergleich: bei der fMRT wird die Aktivierung indirekt über hämodynamische Veränderungen erfasst). Das EEG ermöglicht so eine sehr gute zeitliche Auflösung im Millisekundenbereich [Rieger 2000]. Nachteile sind die geringe räumliche Auflösung, welche bei etwa 3cm liegt, und die ho- he Empfindlichkeit gegenüber elektrischen Störsignalen (z. B. Muskelpotenziale, Puls- schwankungen).

Wichtige Anwendungsgebiete des EEG sind:

- In der Diagnose: Schlafanalyse und Epilepsie,
- in der Therapie: BCI für Kommunikation, Biofeedback für Schmerztherapie,
- in der Forschung: Psychologie und Kognitionswissenschaften,
- in der klinischen Routine: Patientenüberwachung in der Intensivstation und in der Anästhesie.

2.2.2 Die Magnetoenzephalographie (MEG)

Die ersten magnetischen Signale des Gehirns konnten von David Cohen im Jahr 1968 gemessen werden. Verbreitung fand diese Methode aber erst nach einigen Jahren mit der Entwicklung eines Mehrkanalsystems, bei dem die Sensoren den gesamten Kopf abdecken [Rieger 2000].

Das vom Gehirn einer gesunden Versuchsperson erzeugte Magnetfeld ist etwa mehrere hundert femto-Tesla 3 stark. Damit liegt es ungefähr um den Faktor 10 7 unter der Ma- gnetstärke der natürlichen Umgebung. Diese schwachen Magnetfelder können mit Hilfe spezieller Sensoren, sogenannten SQUIDs 4 erfasst werden. Ein SQUID besteht aus einem supraleitenden Ring, der an einer Stelle (rf-SQUID) oder an zwei Stellen (dc-SQUID) durch ein normalleitendes oder elektrisch isolierendes Metall unterbrochen wird.

Durch das SQUID wird ein Gleichstrom geleitet, wodurch eine messbare Spannung erzeugt wird. Diese Spannung ist sowohl von dem Gleichstrom als auch von den Kompensationsströmen im Ring abhängig. Änderungen des magnetischen Flusses (bei unterschiedlichen Gehirnaktivierungen) werden somit in Spannungssignale umgesetzt und mit höchster Genauigkeit gemessen.

Diese Apparatur ist sehr empfindlich und muss vor äußeren Störeinflüssen geschützt wer- den. Zu diesem Zweck werden MEG-Messungen in einer abgeschirmten Kammer durch- geführt. Des Weiteren müssen Aufnahmespulen und SQUIDs in flüssiges Helium getaucht werden, um Supraleitung zu erreichen. Diese Voraussetzungen machen das MEG unflexibel, unmobil und teuer.

Die zeitliche Auflösung beim MEG entspricht der vom EEG, wenn die Daten mit der gleichen Abtastrate aufgenommen wurden. Aber im Gegensatz zum EEG ist die räum- liche Auflösung deutlich besser. Einerseits, weil das MEG über mehr Sensoren verfügt als das EEG. Andererseits, weil das Magnetfeld Liquor, Knochen und Haut nahezu un- verändert durchdringt, während die elektrischen Ströme beim EEG durch die stark un- terschiedlichen Leitfähigkeiten dieser drei Schichten ankommen und somit ungenauer sind. ”verwaschen“anderKopfoberfläche

2.2.3 Die Magnetresonanztomographie (MRT)

Die Magnetresonanztomographie (MR, MRT) ist ein bildgebendes Verfahren zur Dar- stellung von Strukturen im Inneren des Körpers. Mit einer MRT kann man Schnittbilder eines Körpers, oder andere Protonen enthaltende Objekte, erzeugen, die einen Vergleich und eine Orientierung an anatomischen Schnitten derselben Region zulassen und oft ei- ne hervorragende Beurteilung der Organe und vieler Organveränderungen erlauben. Die Magnetresonanztomographie nutzt magnetische Felder und hochfrequente elektromagne- tische Wellen. Grundlage für den Bildkontrast ist die unterschiedliche Empfänglichkeit (Suszeptibilität) der untersuchten Gewebe für die angewandten physikalischen Größen und die Relaxationszeit.

Ein synonymer Begriff ist Kernspintomographie. Dieser wird jedoch aufgrund der bei Laien häufigen falschen Assoziation mit Kern- bzw. Atomkraft heutzutage in Fachkreisen seltener verwendet. Die gelegentlich verwendete Abkürzung MRI stammt von dem englischen Fachbegriff Magnetic Resonance Imaging.

Das erste Verfahren, das eine Bildgebung mit Hilfe der magnetischen Kernresonanz ermöglichte, wurde 1973 von Paul Lauterbur vorgestellt. Die wegweisende Idee Lauter- burs war die Einführung magnetischer Gradientenfelder zur Ortscodierung der Kernreso- nanzsignale [Hänninen 2004]. Um das Messverfahren zu beschleunigen, beschrieb Peter Mansfield 1977 das Prinzip des ”echoplanarimaging“(EPI).Damitsollteesmöglich sein, durch eine einzige Anregung von Kernspins viele Echos zu erhalten. Beide Forscher erhielten für ihre Leistungen den Nobelpreis für Medizin im Jahr 2003 . Mit der Weiterentwicklung und dem Einsatz stärkerer Magnete bis 7 Tesla Magnet- feldstärke (vgl. Abb. 2 . 3 ) oder mehr und schnelleren Gradienten ist die Magnetresonanz- tomographie heute eines der leistungsfähigsten Bildgebungsverfahren in der Medizini- schen Diagnostik.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.3: Der 7-Tesla MRT am Leibniz-Institut für Neurobiologie (IfN), Magdeburg ([Magdeburg 2007]). Bei der Untersuchung befindet sich der Proband auf der Liege, die dann in die Bohrung des Magneten eingefahren wird. Für die Untersuchung der Gehirnaktivität ist der Kopf noch zusätzlich von einer Spule umgeben.

Physikalische Grundlagen der MRT

Bei der MRT wird der Proband einem starken magnetischen Feld ausgesetzt. Üblicherweise werden Magnetfeldstärken von 1,5 und 3,0 Tesla eingesetzt. Erste Ganzkörpergeräte mit 7,0 Tesla 5 sind jedoch schon im Einsatz.

Die Magnetresonanztomographie nutzt das magnetische Dipolmoment, das durch die Ei- genrotation, den sogenannten Spin, der Atomkerne des Wasserstoffs um eine feste Achse entsteht. Unter einem von außen auf den Spin einwirkenden starken Magnetfeld rich- ten sich die sonst ungeordneten Dipole entweder parallel oder antiparallel entlang des Magnetfeldes (B0) aus. Die parallele Ausrichtung ist energetisch etwas günstiger als die antiparallele und kommt entsprechend etwas häufiger vor. Bei genauerer quantenmecha- nischer Analyse der Spins zeigt sich allerdings, dass sie weder genau parallel noch anti- parallel zum Magnetfeld stehen, sondern in einem bestimmten Winkel. Deshalb beginnen sie sich rotierend an der Richtung des Magnetfeldes auszurichten, wie ein leicht schräg ro- tierender Kreisel, der versucht, sich im Gravitationsfeld zu orientieren. Diese sogenannte Präzessionsbewegung hat eine charakteristische Frequenz, die Larmorfrequenz (ω), die von der Stärke des Magnetfeldes abhängig ist und sich proportional zu ihr verhält.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2.1: Signalverhalten einiger wichtiger Gewebe in Bezug auf ihre T 1 - und T 2 - Relaxation.

Larmor Gleichung: ω = γ · B0

Durch Einstrahlung eines Hochfrequenzimpulses (bei 1,5 - 7 Tesla in einem Bereich von 60 MHz - 300 MHz) werden die im Magnetfeld ausgerichteten Spins nun um einen bestimm- ten Winkel, beispielsweise 90 (bzw. 180 ), aus ihrer Gleichgewichtslage herausgeklappt. Dies ist nur dann möglich, wenn der eingestrahlte Impuls die gleiche Frequenz hat wie die Spins: Hochfrequenzimpuls und Spins müssen in ”Resonanz“treten.Dieverschiedenen Atome haben unterschiedliche Präzessionsfrequenzen, die wiederum zusätzlich von der Magnetfeldstärke abhängig sind. Der eingestrahlte Impuls muss also auf die anzuregen- den Atomkerne und das Magnetfeld abgestimmt werden. Da der Mensch hauptsächlich aus Wasser besteht, werden bei der Standard MRT primär die Wasserstoffatome unter- sucht.

Der Hochfrequenzimpuls bewirkt u.a., dass die Spins in Phase schwingen und so ein Gesamtsignal in der Empfängerspule messbar wird.

Die Zeit bis zur Erreichung des Zustandes vor Anregung (Grundzustand) wird durch Relaxationszeiten beschrieben. Man unterscheidet die longitudinale Relaxation (T1-Zeit) und die transversale Relaxation (T2-Zeit) [Biederer 2005]. Die Relaxationszeiten sind für verschiedene Gewebe unterschiedlich und können so zur Bildkontrastierung eingesetzt werden. Je nachdem wie die Relaxationszeiten über die Aufnahmetechnik berücksichtigt werden, bezeichnet man die resultierenden Bilder als ”T 1 - oder T2- gewichtet“. Zusätzlich können sogenannte protonengewichtete Bilder erstellt werden. Tabelle 2.1 zeigt das Signalverhalten einiger wichtiger Gewebe bezüglich ihrer T1- und T2- Relaxation.

Weitere Details zur Bilderzeugung und physikalischen Grundlagen finden sich z. B. in [Haacke u. a. 1999], [Nitz u. a. 2007] und [Weishaupt u. a. 2006].

2.2.4 Die funktionelle Magnetresonanztomographie (fMRT)

Die fMRT wird verwendet, um die Aktivierungen im Gehirnbereich zu untersuchen. Diese Methode ist gegenüber den zuvor vorgestellten Bildgebungsverfahren relativ neu. Erst im Jahr 1990 gelang es einer Arbeitsgruppe am MRI Center des Massachusetts General Hospital, ein besonderes Verfahren umzusetzen [Ogawa u. a. 1990]. Dabei wird eine spezielle Eigenschaft des Blutes ausgenutzt:

Sauerstoffarmes Blut ist paramagnetisch 6 , während sauerstoffreiches Blut diamagnetisch ist. Die Sauerstoffanreicherung im Gehirn schwankt mit der neuronalen Aktivität. Bei arteriellem Blut liegt der Sauerstoffgehalt nahezu bei 100%. Durch den lokalen Sau- erstoffverbrauch liegt der Sauerstoffgehalt bei venösem Blut nur noch bei ca. 60% [Ogawa u. a. 1990]. Wird nun im Gehirn ein Reiz ausgelöst, dann steigt mit der neu- ronalen Aktivierung auch die lokale Sauerstoffversorgung, der Sauerstoffgehalt im Blut nimmt zu. Diese Abhängigkeit des MRT-Signals vom Sauerstoffgehalt des Blutes wird als Blood-Oxygen-Level-Dependent Signal - BOLD, bezeichnet. Es kann über die hämo- dynamische Antwortfunktion (HRF- hemodynamic response function (vgl. Abb. 2.4)) beschrieben werden [Krach 2006] und gliedert sich in drei Bereiche:

- Ein anfänglicher Abfall der Signalintensität ( den Sauerstoffverbrauch der aktiven Neurone, ”InitialDip“),hervorgerufendurch
- ein darauf folgender starker Anstieg des BOLD-Signals (”Overshoot“,oder ”Peak“),begründetdurcheineÜberkompensationmitsauerstoffhaltigemBlutund
- ein langsames Abklingen zum Ausgangswert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.4: Schematische Darstellung der HRF. Zu Stimulusbeginn fällt die Signalin- tensität etwas ab. Mit zunehmender Sauerstoffsättigung steigt die Intensität wieder an. Die Zeit zwischen Anstieg und Abfall des Signals stellt die positive BOLD Antwort dar. Kurz nachdem der Stimulus beendet ist, fällt das Signal in einen hoot “ . ” poststimulusunders-

Der BOLD-Effekt beschreibt somit die neuronale Aktivität indirekt über die Änderung des Sauerstoffgehalts im Blut [Rieger 2000] (zum Vergleich: EEG und MEG erfassen die Aktivierung direkt über elektromagnetische Felder).

Aufgrund des relativ langsamen Verlaufes der HRF von ca. 6 - 10 Sekunden nach einem Reiz ist die fMRT im Gegensatz z. B. zum EEG mit einer geringen zeitlichen Auflösung behaftet. Dadurch können nur Mittelwertsbilder einer neuronalen Aktivität erlangt wer- den.

Der große Vorteil der fMRT liegt hingegen bei der guten räumlichen Auflösung (bei ca. 2 mm-3 mm oder weniger). Im Gegensatz zu EEG oder MEG, bei denen Aktivierun- gen nur auf der Gehirnoberfläche erfasst werden können, erlaubt das MRT mit seiner dreidimensionelen Aufnahme eine genaue voxelweise Zuordnung der Aktivierungen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.5: Eine fMRT-Auswertung des Gehirns mit dem Programm Brain Voyager der Firma Brain Innovation. Dabei werden die Daten aus der statistischen Auswer tungüber den anatomischen Datensatz gelegt. Die neuronale Aktivierung wird durch die farbliche Markierung erkenntlich gemacht.

Untersuchungsdesigns

Um mit der fMRT feststellen zu können, welche Bereiche des Gehirns bei bestimmten Aufgaben aktiviert sind, können zwei unterschiedliche Konzepte angewandt werden: Das Block-Design und das Event-Related-Design [Jäncke 2005].

Das Block-Design wechselt in der Untersuchung immer zwischen der Kontrollbedin- gung (OFF: Bildaufnahme ohne Stimulus) und Stimuluspräsentation (ON). Je nach Untersuchungszeit können diese Blöcke beliebig oft wiederholt werden. Dabei be- tragen die Zeiten für die Ruhe- und Präsentationsphasen ca. 10-30 Sekunden. Bei der späteren Auswertung werden dann die beiden Bedingungen mittels statistischer Methoden miteinander verglichen.

Das Event-Related-Design (Ereigniskorreliertes Design) hat gegenüber dem Block- Design den Vorteil, dass die Reaktion auf einzelne kurze Reize gemessen werden kann. Um eine Überlappung der einzelnen hämodynamischen Antworten zu ver- meiden, muss zwischen den Stimuli eine kurze Ruhephase (von einigen Sekunden Dauer) angesetzt werden. Dadurch wird allerdings die Anzahl der Messereignisse eingeschränkt, weil der Proband nur in einer vertretbaren Zeit von 1,5 - 2 Stunden im MRT liegen kann. Dauert ein Experiment zu lang, kann es zu Bewegungsarte- fakten kommen, die durch Kopfbewegungen der Probanden entstehen.

Ganz gleich, welches Paradigma verwendet wird - der Aktivierungsunterschied zwischen einer Ruhephase und einer Stimulusphase beträgt nur wenige Prozent. Die Daten sind empfindlich gegenüber Artefakten und Rauschen und werden daher vor der statistischen Auswertung meist korrigiert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.6: Ablauf einer Datenverarbeitung mit SPM7 [Friston 2007].

Eventuelle Bewegungen des Kopfes können mit Hilfe der Bewegungskorrektur heraus- gerechnet werden. Dabei werden alle Scans der Aufnahmeserie mittels Rotationen und Translationen neu ausgerichtet, wobei ein Bild der Zeitserie (häufig das erste oder mitt- lere) als Referenz gilt. Dieser Prozess wird als ”RigidBodyTransformation“bezeichnet. Ein weiterer Schritt ist die Normalisierung. Da jedes Gehirn eine individuelle Anatomie besitzt, sind Messergebnisse von mehreren Probanden nicht direkt miteinander vergleichbar. Durch die Normalisierung wird die individuelle Anatomie auf einen standardisierten Raum, das Talairach - Koordinaten-System, angepasst (Bei SPM wird dieser Raum als MNI-Template 8 bezeichnet). Somit liegen die gleichen anatomische Strukturen immer an den selben Koordinaten. Dadurch können Ergebnisse innerhalb und zwischen unterschiedlichen Untersuchungsgruppen miteinander verglichen werden.

Zeitliche und räumliche Glättungen werden eingesetzt, um das Signal-Rausch-Verhältnis (”signal-to-noiseratio“)zuverbessern.DabeikommenFouriertransformation(zeitliche Glättung) und Gaussfilter (räumliche Glättung) zum Einsatz. Danach können die echten Aktivierungssignale besser von den Störsignalen abgegrenzt werden.

Anschließend werden die Daten statistisch ausgewertet. Zu diesem Zweck wird ein sta- tistisches Modell (Designmatrix) erstellt, in welches die Informationen des Paradigmas (Bildanzahl, Scanintervalle, Ruhe- und Stimulusphasen u. s. w.) einfließen. Für die Ver- knüpfung der realen Messdaten mit der Designmatrix wird das Allgemeine Lineare Model (GLM = General Linear Model) verwendet. Die Ergebnisse daraus fließen dann in die weitere Berechnung ein, wobei für jedes Voxel ein univariater Standardtest auf Signifikanz durchgeführt (t-/F-Test-Statistik) wird. Anhand statistischer Schwellwerte, z. B. einem p-Wert von < 0.05, kann ein aktiviertes Gebiet als die Anzahl der Voxel dargestellt wer- den, bei denen mit einer Irrtumswahrscheinlichkeit von maximal fünf Prozent das Voxel als aktiviert angesehen werden kann.

Für die abschließende grafische Darstellung der Auswertungsergebnisse werden die zusätzlich erstellten hochaufgelösten 3D-MPR 9 -Datensätze entsprechend der zuvor be- schriebenen Reihenfolge aufbereitet. Die Daten werden mit den funktionellen MRT-EPI- Daten coregistriert (aneinander angepasst) und wahlweise normalisiert. Danach können die anatomischen Aufnahmen mit den Aktivierungen für eine einfache Lokalisation über- lagert werden. Es gibt zwei Möglichkeiten der Ergebnisdarstellung: Ebenendarstellung 2.7(a) und Volumendarstellung 2.7(b).

Insgesamt können Korrektur und Auswertung z. B. mit SPM einen Zeitraum von mehreren Stunden einnehmen.

Echtzeit-Auswertung

Eine spezielle Auswertungsmethode, die im Zusammenhang mit der fMRT genannt werden kann, ist die sogenannte ”Echtzeit-Auswertung“oderauch ”Realtime-fMRI“. Wie zuvor beschrieben, nehmen herkömmliche Auswertungsmethoden viel Zeit in Anspruch. Heutige Echtzeit-fMRT Systeme verwenden zwar die gleichen Paradigmen und Korrekturen wie diese Methoden, ermöglichen aber eine ”Online-Auswertung“mitzeit- naher Rückmeldung des BOLD-Signals. Dadurch ist es möglich, eine bewusste Kontrolle der aktuellen Gehirnaktivität zu erlernen [Mathiak und Weiskopf [2007]. Es ergeben sich hieraus neue experimentelle Paradigmen bei denen alle messbaren Gehirnaktivitäten als

Abbildung in dieser Leseprobe nicht enthalten

(a) Ebenendarstellung (b) Volumendarstellung

Abbildung 2.7: Darstellung von Auswertungsergebnissen in SPM: Präzise Visualisierung durch Ü berlagerung von Aktivierung und anatomischen Daten in drei sich schneidenden Ebenen (sagittal, coronal, axial) (a) oder als Oberflächenprojektion auf ein 3D Modell (b) [Penny 2007].

unabhängige Variablen genutzt und funktionelle Konsequenzen der Selbstregulation auf Verhalten und Kognition ermittelt werden. Es gibt bereits eine Reihe von Experimenten, die zeigen, wie Verhalten mit dieser Technik modifiziert werden kann. Allerdings ist die Echtzeit-Auswertung besonders anfällig für Artefakte. Schon bei Bewegungen unter einem Millimeter kann sich die ROI 10 verschieben und die Auswertung der gewünschten Region misslingt oder zeigt falsche Ergebnisse. Daher ist es notwendig, dass zeitgleich eine Bewegungskorrektur angewandt werden muss. Diese Vorverarbeitung sollte, sowie die Statistik, in einer kurzen Zeit erfolgen.

Momentan ist Echtzeit-fMRT in Verbindung mit BCI noch neu und die Tech- nik entwickelt sich rasant weiter. Einheitliche Anwendungen sind nicht im Ein- satz. Vielmehr entwickelt jede Gruppe, die in dieser Richtung forscht, eigene Echtzeit-Auswertungssysteme (z. B. Turbo-Brain-Voyager [Goebel 2001], TorboFIRE [Posse u. a. 2001] oder rtExplorer [Hollmann u. a. 2006], [Mönch u. a. 2007].

Echtzeit-Auswertung mit dem rtExplorer

Der rtExplorer (Abb. 2.8) ist eine Applikation für die Auswertung von fMRT Daten in Echtzeit. Er wurde am Institut für Biometrie und Medizinische Informatik der Otto-von- Guericke Universität Magdeburg entwickelt und ermöglicht die Kommunikation mit den ortsansässigen 3 Tesla und 7 Tesla Tomographen.

Eine eigens implementierte XML basierte Beschreibungssprache EDL (Experiment De- scription Language) ermöglicht eine einfache Bedienung und Erweiterbarkeit. Informationen über das Experimentparadigma, statistische Auswertungsmethoden und Darstellungsmöglichkeiten sind hier enthalten.

Neben der Experimentbeschreibung wurden die statistische Auswertung der Daten (Constant-Window-Design und Growing-Window-Design) und die Visualisierung der Ergebnisse umgesetzt. Diese lassen sich sowohl über Presentation (Kapitel 3.1.1) als auch über eine integrierte Benutzeroberfläche darstellen. Des Weiteren ermöglicht das Programm die Klassifikation der ermittelten Aktivierungsmuster während der Messung [Mönch u. a. 2007].

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.8: Ablauf einer Datenverarbeitung mit dem rtExplorer [Mönch u. a. 2007].

2.3 Brain Computer Interface - BCI

Das Brain-Computer-Interface, zu deutsch Gehirn-Computer-Schnittstelle, ist eine spe- zielle Schnittstelle zwischen Mensch und Maschine. Sie ermöglicht dem Anwender, ein Gerät ohne Verwendung von Armen oder Beinen zu bedienen [Wolpaw u. a. 2002]. Dabei werden Aktivierungen im Gehirn aufgezeichnet, ausgewertet und in Steuersignale umge- wandelt. Die Aufzeichnung kann sowohl nichtinvasiv (über EEG, MEG und MRT), als auch invasiv (mittels einem implantierten Chip auf der Gehirnoberfläche) erfolgen.

In den Neurowissenschaften werden BCIs somit in zwei Klassen unterteilt:

BCI - invasiv

Bei invasiven BCIs eröffnen ins Gehirn implantierte Silikonchips mit feinen Elektroden Gelähmten und Locked-in-Patienten 11 neue Bewegungs- und Kommunikationsmöglich- keiten. Somit erlauben sie es beispielsweise, einen Bildschirmcursor oder eine Handpro- these per ”Gedankenkraft“zusteuern(vgl.Abb. 2 . 9 ).ErsteerfolgreicheUmsetzungen dieser Art gelangen der Firma CyberKinetics mit dem Produkt ”BrainGate“,welches dem querschnittgelähmten Patienten Matthew Nagle implantiert wurde.

Allerdings werden die therapeutischen Chancen dieser Schnittstellen von ethischen Ri- siken überschattet. Da die Eingriffe sehr teuer sind, werden sie nicht jedem Patienten helfen können.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 . 9 : Schematische Darstellung eines Brain-Computer-Interface mit Datenerfassung, -verarbeitung und Ausgabe (nach [Wolpaw u. a. 2002]).

BCI - nicht invasiv

Diese Art der Brain-Computer-Interfaces übersetzen den Willen eines Probanden oder Patienten in technische Steuersignale mittels Bildgebungsverfahren außerhalb des Gehirns. Bekannte Methoden sind dabei EEG, MEG und MRT.

Bei EEG basierten BCIs können zwei Arten unterschieden werden:

Abhängige BCIs arbeiten mit sogenannten VEPs, den visuell evozierten Potentialen. Ein Beispielexperiment mit einem EEG kann z. B. so aufgebaut sein, dass der Ver- suchsperson eine Matrix von Buchstaben präsentiert wird. Die Aufgabe besteht nun darin, einen bestimmten Buchstaben auszuwählen und ihn mit den Augen zu fixieren. Das VEP sollte nun bei einem anderen Buchstaben geringer sein als bei dem zuvor gewählten [Sutter 1992]. Das Signal ist dann abhängig von der Blick- richtung und der damit einhergehenden Muskelaktivierung.

Unabhängige BCIs sind im Gegensatz zu dem zuvor beschriebenen BCI nicht an Blickrichtungen gebunden. Hier genügt es, an das Ziel (z. B. einen bestimmten Buchstaben) zu denken. Dabei wird im EEG ein sogenanntes P300 Potential, ein ereigniskorreliertes Potential, evoziert. Das Signal hängt somit davon ab, wie stark die Versuchsperson an den Buchstaben denkt. Diese Methode erfordert allerdings ein Training, damit die P300 Signale gut erkannt werden können.

BCIs in Verbindung mit MRT, insbesondere der fMRT, nutzen die hohe räumliche Auflösung bei neuronaler Aktivierung. Durch diesen Vorteil gegenüber EEG oder MEG und der zusätzliche Einsatz von Echtzeitmethoden ermöglicht dieses Verfahren neue For- schungsfelder.

Die Experimente unterliegen einem Blockdesign, wobei sich Stimulusphasen und Ru- hephasen regelmäßig abwechseln. Um eine gewünschte Aktivierung zu erzielen, erfüllt der Proband sogenannte ”endogene“Aufgaben(durchfreieEntscheidung),wieRechnen, Handbewegungen oder ähnliche. Ein Algorithmus detektiert daraufhin die aktivierten Areale auf Basis des BOLD Effektes und setzt die zugeordneten Aktionen um. Im Gegensatz zu den EEG-BCIs sind diese Methoden noch zu aufwendig und langsam. Verbesserungen müssen daher bei der Geschwindigkeit und der Mustererkennung erfol- gen.

Der Aufbau eines jeden BCIs ganz gleich mit welchem bildgebenden Verfahren es verwendet wird, besteht aus drei Elementen:

Bei der Datenaufnahme werden die Signale erfasst, dann verstärkt und digitalisiert. Das digitalisierte Signal wird anschließend bei der Signalverarbeitung den gewünschten Merkmalen entsprechend ausgewählt (z. B. Gehirnregion, Spektralanalysen oder Auswahl einzelner Neuronen) und mit einem, der Auswahl angepassten, Algorithmus verarbeitet. Dieser dient dazu, die gefilterten Signale (unabhängige Variablen) in Kommandos (abhängige Variablen) umzuwandeln.

Das dritte Element eines BCI ist die Ausgabe. Meistens erfolgt sie auf einem Bildschirm in Form von Buchstaben oder Bildern. Bei online BCIs erfolgt die Abfolge dieser drei Schritte in Echtzeit. Dadurch ist es möglich, dem Probanden eine Rückmeldung über seine Aktivierung zu liefern. Im Gegensatz dazu werden offline BCIs verwendet, um nach geeigneten Klassifizierungsmöglichkeiten für online BCIs zu suchen. Meist gehen Experimente im offline-Modus den online Experimenten voraus [Lehtonen 2002].

Mit Hilfe eines online BCI-Systems kann es z. B. körperlich behinderten Menschen ermöglicht werden, neue Wege der Kommunikation und Beweglichkeit zu eröffnen. Bei- spielsweise können Menschen mit einem Locked-In-Syndrom über eine Buchstabierma- schine wieder kommunizieren. Ein weiteres Einsatzgebiet ist die Steuerung von Prothesen über Nervenimpulse.

2.4 Grundlagen der Computergrafik

In diesem Abschnitt wird allgemein auf die Modellierung von 3D-Objekten, Virtuelle Realität (VR) und Computer Engines (Game Engines, siehe Abschnitt 2.4.2) eingegangen. Der Bezug zu Computerspielen ist hier sehr eng, weil sich die Entwicklung von Computerspielen und VR-Welten sehr ähnlich sind.

2.4.1 Modellierung

Eine VR-Welt und mögliche Zusatzobjekte sollten als 3D Modelle entwickelt und in die Spieleumgebung der Game Engine (siehe Abschnitt 2.4.2) eingebunden werden. Für ein besseres Verständnis der folgenden Kapitel werden in diesem Abschnitt einige Grundlagen der Modellierung erläutert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.10: Die Rendering Pipeline [Schlechtweg 2004, S.38]. Hervorgehobene Abschnitte werden im fortlaufenden Text näher erläutert.

Die Renderingpipeline in Abbildung 2.10 zeigt, wie aus einem 3D Modell eine 2D Darstellung auf dem Bildschirm ensteht. Im Folgenden sollen die Schritte 3D Modell, Licht & Shading und Mapping beschrieben werden.

Modellierung von 3D-Objekten

Bei der Erzeugung von 3D-Objekten gibt es verschiedene Modellierungsarten, welche in zwei Gruppen unterteilt werden können [Schlechtweg 2004]:

1. Volumenmodelle

- Primitive Instancing (3D Volumina werden zu Baugruppen, aber nicht zu Gesamtvolumina zusammengesetzt),
- Sweep Körper (Objektbeschreibung durch eine Fläche und eine dazugehörige Transformationsvorschrift),
- CSG (Constructive Solid Geometry: zusammensetzen von geometrischen Ob- jekten mittels boolescher Operatoren zu Gesamtvolumen),
- Spatial Subdivision (Unterteilung des Gesamtvolumens in Teilvolumen):
- Zelldekomposition (Unterteilung in eine Menge unterschiedlicher Primi- tive),
- Voxelmodelle (räumliche Aufzählung),
- Octrees (Unterteilung durch achsenparallele Ebenen),
- BSP - Trees (Unterteilung durch arbiträre Ebenen).

2. Oberflächenmodelle

- Polygonnetze,

- Freiformflächen,

- Quadriken.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2.11: Die polygonale Darstellung von 3D Objekten am Beispiel[Watt und Policarpo 2001, S.38]. Der Zylinder besteht aus drei Flächen, wobei Deckel und Boden jeweils durch ein Polygon mit x Eckpunkten und Kanten dargestellt wird und der Mantel aus x Polygonen mit den jeweiligen Ecken und Kanten besteht. Je realer der Zylinder wirken soll, desto mehr Polygone sind notwendig, um ihn zu beschreiben.

[...]


1 BCI = Brain Computer Interface, dt: Gehirn-Computer-Schnittstelle.

2 ÖffnungdesSchädels in Form einer Bohrung oder eines ausgesägten Stück Knochens.

3 1 fT = 10 15 T

4 Superconducting Quantum Interference Device

5 Zum Beispiel am Leibniz-Institut für Neurobiologie (IfN) in Magdeburg.

6 Paramagnetische Materialien magnetisieren sich in einem externen Magnetfeld so, dass sie das Magnetfeld in ihrem Innern effektiv verstärken [Wikipedia 2007b].

7 SPM- Statistical Parametric Mapping. Eine Matlab basierte Software für die Auswertung von u.a. fMRT, EEG und MEG Daten.

8 MNI steht für das ”MontréalNeurologicalInstitute“,wodieserTemplate-Datensatzerstelltwurde.

9 MPR: Multiplanare Reformatierung

10 ROI - Region of Interest. Ein ausgewählter Bereich im Gehirn, der für die Messung herangezogen wird.

11 Menschen mit einem Locked-In-Syndrom (dt. ”eingeschlossen“)sindsichzwarvollständigihrer Umwelt bewusst, können sich aber nicht mittels Sprache und Bewegung verständlich machen.

Details

Seiten
101
Jahr
2007
ISBN (eBook)
9783656129332
ISBN (Buch)
9783656130345
Dateigröße
6.7 MB
Sprache
Deutsch
Katalognummer
v188925
Institution / Hochschule
Otto-von-Guericke-Universität Magdeburg – Fakultät für Informatik
Note
1.0
Schlagworte
fMRI fMRT VR Virtual Reality Realtime Real Time Adaptiv BCI Brain Computer Interface Hirn-Computer-Schnittstelle

Autor

Teilen

Zurück

Titel: Entwicklung einer adaptiven VR-Umgebung für die Anwendung im Realtime-fMRI