1. 最佳化神經影像學分析方法:
傳統大腦影像學分析方法及臨床研究相當仰賴研究者對於該研究主題於大腦產生可能之效應會發生於何處為前提,以進行感興趣區域之選取並進行相關統計分析。隨著巨量資料概念日益盛行,且傳統分析法並無法有效率的探索先前假說未提及之大腦區域,故本實驗室致力於開發無假說驅動磁振造影學分析技術及相關統計學方法於大腦巨結構、微結構及功能性影像資料上。此方法將使我們可以在以無任何相關研究假說為前提下,進行全腦影像資料之探索性分析。
2. 發展大腦連結體分析方法:
傳統影像學分析概念中,研究者大多以功能性定位為出發點以思考單一大腦區域可能負責的認知功能為何,但隨著越來越多的研究指出,大腦之所以會產生表現於外的認知行為,可能源自於大腦中不同區域之間動態的交互作用。為了進一步延伸以往對於單一腦區對應特定認知功能的相關知識,並進一步探索大腦的結構性及功能性網路之可能架構,我們致力於開發不同結構性及功能性網路架構分析方法,試圖以宏觀的角度觀察大腦在不同狀態下之可能變化情形。
3. 發展以影像為基礎之疾病/行為之預測模型:
過往的影像及行為學相關研究中,大多數的實驗設計都是收取實驗組及對照組,並利用適當的統計分析方法以了解該次研究的主要效應為何。然對於實際臨床應用而言,單一受試者的診斷及預測是更具臨床意義的。本實驗室致力於萃取高維度影像資料中之細微資訊並搭配多變量統計學習分析法以建立起相對應疾病及行為之影像學預測模型。
4. 建立具有高信賴度之影像分析流程:
為了提升造影品質及影像分析之再現性及可重覆性,並使與臨床醫療單位接軌,本實驗室亦致力於相關影像分析軟體之開發與最佳化。此外,為使磁振影像可以成為一個具有高信賴度之利器,我們亦針對不同造影序列及其相關量化指標進行最佳化及可信度等相關測試,以建立起相對應之常模資訊。