Die Gehirnkartierung verfolgt das Ziel, Hirnarealen Funktionen zuzuweisen und damit die Funktionsweise des Gehirns zu ergründen. Es existieren verschiedene bildgebende Verfahren zur Aufzeichnung neuronaler Aktivität, die unterschiedliche Vor- und Nachteile aufweisen. Funktionelle Magnetresonanztomographie (fMRT) bietet eine hohe räumliche, aber schlechte zeitliche Auflösung. Zusätzlich ist die Erkennung neuronaler Aktivität in gängigen ereigniskorrelierten experimentellen Designs durch ein niedriges Signal-zu-Rauschen Verhältnis erschwert. Ein weiteres Verfahren stellt die Elektroenzephalographie (EEG) dar: Durch deren hohe zeitliche Auflösung können in gemittelten EEG Zeitrei hen ereigniskorrelierte Potentiale klar identifiziert werden. 3D EEG-Karten, die über Quellenlokalisationsmethoden berechnet werden, habenjedoch eine niedrige räumliche Auflösung. Trotzdem enthalten sie komplementäre Information über die Lokation neuronaler Aktivität, Es ist von hohem Interesse, die Information aus beiden Verfahren zu kombinieren, um tieferes Wissen über die Funktionsweise des Gehirns zu erlangen, und komplexe statistische Verfahren sind dafür unabdingbar. In dieser Arbeit wird ein neuer Bayesianischer Ansatz vorgestellt, der in stimulusbasierten experimentellen Designs die Performanz von fMRT-Aktivierungserkennungsverfahren verbessern kann indem er zusätzlich EEG-basierte räumliche Priori-Information einbezieht. Dieser Ansatz basiert auf einem neu entwickelten reinen fMRT-Aktivierungserkennungsverfahren. Bei der Aktivierungserkennung wird voxelspezifisch evaluiert, inwieweit ein experimentell gesetzter Stimulus einen Einfluss auf die gemessene fMRTSignalzeitreihe hat. Der vorgestellte Ansatz stützt diese Evaluierung auf eine Bayesianische Variablenselektion und erweitert vorhandene hochdimensionale Regressionsverfahren indem die Prioriwahrscheinlichkeiten der binären Indikatorvariablen mit einer latenten Probitregression verknüpft werden. Für reine fMRT-Aktivierungserkennungsverfahren besteht der Prädiktor aus einem räumlich-variierenden Intercept. Für EEG-basierte Verfahren wird ein EEG Effekt hinzugefügt, der entweder räumlich-variiert oder konstant ist. Zur Schätzung dieser räumlichen Effektkarten werden Regularisierungsverfahren verwendet, die auf verschiedenen Markov-Zufallsfeldtypen basieren. Die Herausforderungen bei der Entwicklung statistischer Inferenzmethoden für hochdimensionale hierarchische Modelle sind groß: Sowohl modellierungstechnische als auch numerische Problerne sind dabei zu lösen. In dieser Arbeit beruht die Inferenz auf einem Markov Chain Monte Carlo (MCMC)-Ansatz, der die Effektkarten simultan aktualisiert. Umdie darin verwendeten hochdimensionalen Choleskyzerlegungen zu umgehen, wurde darüber hinaus ein auf Geschwindigkeit hin optimierter Algorithmus entwickelt, der auf elementweisen Updates beruht. Die Performanz der vorgeschlagenen Algorithmen wird anhand umfassender Simulationsstudien und realer Anwendungen untersucht. Dabei wird die Güte der Verfahren hinsichtlich deren Konvergenzverhalten, Interpretierbarkeit sowie Sensitivität und Spezifltät der daraus abgeleiteten Aktivierungsklassifikationsregeln beurteilt. Von besonderem Interesse ist die Frage, inwieweit die Hinzunahme von EEG-Information die Performanz von Aktivierungserkennungsverfahren erhöhen kann. Zusammenfassend zeigen die neuen Algorithmen eine deutliche Steigerung der Sensitivität gegenüber bestehenden Verfahren wie SPM, ohne an Spezifität einzubüßen. Durch die Hinzunahme von sorgfältig ausgewählter EEG-Information wird eine zusätzliche Sensitivitätssteigerung in verrauschten Aktivierungsregionen erzielt.
The purpose of brain mapping is to advance the understanding of the relationship between structure and function in the human brain. Several techniques - with different advantages and disadvantages - exist for recording neural activity. Functional magnetic resonance imaging (fMRI) has a high spatial resolution, but low temporal resolution. It also suffers from a low-signal-to-noise ratio in event-related experimental designs, which are commonly used to investigate neuronal brain activity. On the other hand, the high temporal resolution of electroencephalography (EEG) recordings allows to capture provoked eventrelated potentials. Though, 3D maps derived by EEG source reconstruction methods have a low spatial resolution, they provide complementary information about the location of neuronal activity. There is a strong interest in combining data from both modalities to gain a deeper knowledge of brain functioning through advanced statistical modeling. In this thesis, a new Bayesian method is proposed for enhancing fMRI activation detection by the use of EEG-based spatial prior information in stimulus based experimental paradigms. This method builds upon a newly developed mere fMRI activation detection method. In general, activation detection corresponds to stimulus predictor components having an effect on the fMRI signal trajectory in a voxelwise linear model. We model and analyze stimulus influence by a spatial Bayesian variable selection scheme, and extend existing high-dimensional regression methods by incorporating prior information on binary selection indicators via a latent probit regression. For mere fMRI activation detection, the predictor consists of a spatially-varying intercept only. For EEG-enhanced schemes, an EEG effect is added, which is either chosen to be spatially-varying or constant. Spatially-varying effects are regularized by different Markov random field priors. Statistical inference in resulting high-dimensional hierarchical models becomes rather challenging from a modeling perspective as well as with regard to numerical issues. In this thesis, inference is based on a Markov Chain Monte Carlo (MCMC) approach relying on global updates of effect maps. Additionally, a faster algorithm is developed based on single-site updates to circumvent the computationally intensive, high-dimensional, sparse Cholesky decompositions. The proposed algorithms are examined in both simulation studies and real-world applications. Performance is evaluated in terms of convergency properties, the ability to produce interpretable results, and the sensitivity and specificity of corresponding activation classification rules. The main question is whether the use of EEG information can increase the power of fMRI models to detect activated voxels. In summary, the new algorithms show a substantial increase in sensitivity compared to existing fMRI activation detection methods like classical SPM. Carefully selected EEG-prior information additionally increases sensitivity in activation regions that have been distorted by a low signal-to-noise ratio.