Neuronal processes in the brain give rise to electromagnetic signals that can be measured by means of EEG/MEG. However, the ambiguity of the bioelectromagnetic inverse problem limits the localizability of the underlying generators. The solution of the inverse problem requires additional assumptions. A very common method is to model brain activity using distributed sources. In that case, a large number of equivalent current dipoles covers the volume in which activity is expected (usually the cortex). Reconstruction methods on the basis of distributed sources allow the incorporation of additional information on the functional similarity between sources (i.e. information on the spatial structure of brain activity). This kind of information can be derived from prior knowledge, for instance from the subdivision of the cortex into distinct functional areas (i.e. parcellations) or from fMRI. The work presented here is based on a previously published method that combines a general smoothness constraint with priori knowledge on the (binary) similarity between neighboring sources by means of a 2nd order spatial derivative operator (PatchLORETA). The first part of this work addressed the systematic evaluation on how the integration of prior knowledge into the derivative operator affects the estimation of a priori assumed source covariances. It turned out that the method introduced incorrect prior assumptions. Consequently, some extensions were proposed to generalize the approach. These are an additional normalization operator and an additional parameter to encode arbitrary mutual similarity between neighbors. Moreover, a technique was developed to adjust the correlation structure according to a desired smoothness level. The final method (called informed LORETA) is particularly suited for the use of functio-anatomical boundaries. The second part addressed the systematic evaluation of the question whether the use of prior knowledge (derived from parcellations) can improve source localization. This was done using Monte-Carlo simulations. A main focus was the evaluation on how potential errors / uncertainties in the prior knowledge influence the reconstruction performance. Finally, informed LORETA was used for the localization of auditory evoked potentials from experimental data. It turned out that spatially informed methods provide very plausible reconstruction results.
EEG/MEG ermöglicht die Messung elektrischer Gehirnaktivität, die durch neuronale Prozesse im Gehirn hervorgerufen wird. Die Lokalisierbarkeit der Aktivität ist aufgrund der fehlenden Eindeutigkeit des bioelektromagnetischen inversen Problems allerdings eingeschränkt. Zur Lösung sind Zusatzannahmen erforderlich. Eine Klasse von Lösungsverfahren basiert auf der Verwendung verteilter Quellenmodelle. Dabei werden im gesamten wahrscheinlichen Quellraum (typischerweise im Cortex) Stromdipole modelliert, um schließlich eine räumliche Verteilung der Dipolstärken zu bestimmen. Dieser Ansatz erlaubt es, Zusatzannahmen über die funktionelle Ähnlichkeit zwischen den Dipolen (d.h. über die räumliche Strukturierung von Gehirnaktivität) zu formulieren. Derartiges Wissen kann zum Beispiel aus der Unterteilung des Cortex in funktional unterschiedliche Areale (Parzellierungen) oder mittels fMRI gewonnen werden. Diese Arbeit befasst sich mit einer bereits zuvor publizierten Technik, bei der Zusatzwissen über die funktionelle Ähnlichkeit benachbarter Quellen in einen Differentialoperator integriert und mit einer allgemeinen Glattheitsannahme kombiniert wird (PatchLORETA). Im ersten Teil dieser Arbeit wurde systematisch untersucht, wie sich eine derartige Integration auf die tatsächliche Korrelationsstruktur auswirkt. Dabei wurden verschiedene Probleme identifiziert, die zu fehlerhaften a priori Annahmen führen. Aus diesem Grund wurde die Methode um einen Normalisierungsoperator, lokale Ähnlichkeitsparameter, und ein Verfahren zur Einstellung einer definierten Glattheitsannahme erweitert. Im Ergebnis liegt ein als informed LORETA bezeichnetes Verfahren vor, in das grundsätzlich beliebige Ähnlichkeitsinformation eingebunden werden kann. Es ist besonders zur Integration funktio-anatomischer Grenzen geeignet. Im zweiten Teil dieser Arbeit wurde die Nutzbarkeit informierter linearer inverser Verfahren mithilfe von Monte-Carlo-Simulationen und unter Verwendung von Parzellierungen systematisch untersucht. Im Fokus stand dabei vor allem der Einfluss möglicher Fehler im Zusatzwissen auf die Rekonstruktionsqualität. Abschließend wurde informed LORETA zur Lokalisierung auditorisch evozierter Aktivität aus EEG/MEG-Daten eingesetzt. Dabei konnte gezeigt werden, dass die Plausibilität der rekonstruierten Quellenverteilung durch die Integration von Zusatzwissen deutlich gesteigert werden kann.