Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/3370053D-D12E-4225-9E2F-CDB6966C795D | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.90483 | - |
| Γλώσσα | en | - |
| Μέγεθος | 120 pages | en |
| Μέγεθος | 3.1 megabytes | en |
| Τίτλος | Non-linear functional connectivity of resting-state fmri data from patients with brain insults: a time-varying analysis | en |
| Τίτλος | Μη-γραμμική λειτουργική συνδεσιμότητα σε δεδομένα λειτουργικής μαγνητικής τομογραφίας κατάστασης ηρεμίας (re-fMRI) ασθενών με προσβολές του νευρικού συστήματος: Μια δυναμική προσέγγιση | el |
| Δημιουργός | Simos Nikolaos-Ioannis | en |
| Δημιουργός | Σιμος Νικολαος-Ιωαννης | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Zervakis Michail | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Ζερβακης Μιχαηλ | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Liavas Athanasios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λιαβας Αθανασιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Stamatakis, Emmanuel | en |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | Mild traumatic brain injuries (mTBI) are a fairly common type of brain injury in which 90% of brain injury cases are classified as mild. However, existing diagnostic criteria for mTBI often fail to identify positive cases due to the inefficiency of diagnostic methods. For this reason, it has become necessary to develop techniques of greater diagnostic accuracy. In this paper, we thus propose the use of resting-state functional magnetic resonance imaging (rs-fMRI), a promising technique with positive research and diagnostic samples in various clinical groups. In the current utilization of rs-fMRI, an innovative combination being developed with the use of static and dynamic functional connectivity networks (SFC and DFC, respectively). The proposed methodology is applied to a comparable number of subjects/patients to accurately identify and separate chronic mTBI from normal brain activity, which to our knowledge has not been explored previously. SFC and DFC are calculated using bivariate linear and non-linear correlation indices. An approach based on temporal connectivity states was employed to characterize the networks of each time frame as either integrated or segregated. A reduction of the generated brain networks using Orthogonal Minimum Spanning Trees was applied to produce networks that maximize efficient information flow. Graph metrics were used to quantify various functional and topological features in SFC and DFC networks. Different types of features representing regional connectivity estimated by SFC/DFC are combined in the final stage to produce a reliable and efficient model. A novel machine learning model combination technique was compared with existing methods. The proposed diagnostic methodology resulted in a classification accuracy of 80% achieved by XGBoost models combined with logistic regression, with nested cross-validation of consensus type and built-in feature selection technique. Most of the regions derived from the machine learning model are in agreement with previous research in the field with the addition of some new findings with interesting interpretations. This experimental combination of approaches seems to offer promising results towards neurodiagnostic imaging of mTBI with high-precision tools, opening new windows of exploration. | en |
| Περίληψη | Οι ήπιες κρανιοεγκεφαλικές κακώσεις (mild traumatic brain injuries - mTBI) είναι ένα αρκετά συχνό περιστατικό εγκεφαλικού τραύματος κατά το οποίο ένα 90% των περιπτώσεων κρανιοεγκεφαλικών κακώσεων να χαρακτηρίζονται ως ήπιες. Ωστόσο, τα υπάρχοντα διαγνωστικά κριτήρια για mTBI συχνά αποτυγχάνουν να εντοπίσουν τις θετικές περιπτώσεις λόγω της αναποτελεσματικότητας των διαγνωστικών μεθόδων. Για αυτό το λόγο, κατέστη αναγκαίο η ανάπτυξη τεχνικών μεγαλύτερης διαγνωστικής ακρίβειας. Στην παρούσα εργασία, προτείνεται έτσι η χρήση λειτουργικής μαγνητικής τομογραφίας σε κατάστασης ηρεμίας (rs-fMRI), μία πολλά υποσχόμενη τεχνική με θετικά ερευνητικά και διαγνωστικά δείγματα σε διάφορες κλινικές ομάδες. Πέραν όμως από την τωρινή αξιοποίηση του rs-fMRI, ένας καινοτόμος συνδυασμός που αναπτύσσεται είναι η χρήση στατικών και δυναμικών δικτύων συνδεσιμότητας (static and dynamic functional connectivity networks, SFC and DFC, αντίστοιχα). Η προτεινόμενη μεθοδολογία εφαρμόζεται σε ένα συγκρίσιμό αριθμό ατόμων/ασθενών για τον ακριβή εντοπισμό και διαχωρισμό χρόνιων mTBI από φυσιολογική εγκεφαλική δραστηριότητα, κάτι που από όσο γνωρίζουμε δεν έχει εξερευνηθεί στο παρελθόν. Οι SFC και DFC υπολογίζονται χρησιμοποιώντας διμεταβλητούς γραμμικούς και μη-γραμμικούς δείκτες συσχέτισης. Μια προσέγγιση βασισμένη σε διακριτές χρονικές καταστάσεις συνδεσιμότητας αναπτύχθηκε με σκοπό τον χαρακτηρισμό των δικτύων κάθε χρονικού πλαισίου ως διάχυτα (integrated) ή διαχωρισμένα (segregated) ενεργοποιημένα. Εφαρμόστηκε μείωση των παραγόμενων εγκεφαλικών δικτύων με χρήση Orthogonal Minimum Spanning Trees, με σκοπό την παραγωγή δικτύων που μεγιστοποιούν την αποδοτική μεταφορά πληροφορίας. Μετρικές γράφων χρησιμοποιήθηκαν για την ποσοτικοποίηση διαφόρων λειτουργικών και τοπολογικών χαρακτηριστικών σε δίκτυα SFC και DFC. Διαφορετικοί τύποι χαρακτηριστικών που εκπροσωπούν σε βάθος της συνδέσεις των εκτιμωμένων SFC/DFC συνδυάζονται στο τελικό στάδιο για την παραγωγή ενός αξιόπιστου και αποτελεσματικού μοντέλου. Μια καινοτόμα τεχνική συνδυασμού μοντέλων μηχανικής μάθησης συγκρίθηκε με υπάρχουσες τεχνικές. Η προτεινόμενη διαγνωστική μεθοδολογία κατέληξε ακρίβεια διαχωρισμού ύψους 80% που επιτεύχθηκε από μοντέλα XGBoost σε συνδυασμό με λογιστική παλινδρόμηση, με διασταυρωμένη επικύρωση τύπου consensus και ενσωματωμένη τεχνική επιλογής χαρακτηριστικών. Οι περισσότερες επιλαχούσες περιοχές από το μοντέλο μηχανικής μάθησης είναι σε συμφωνία με προηγούμενες έρευνες του τομέα με την προσθήκη κάποιων νέων ευρημάτων με ενδιαφέρουσες ερμηνείες. Αυτός ο πειραματικός συνδυασμός προσεγγίσεων φαίνεται να προσφέρει πολλά υποσχόμενα και ελπιδοφόρα αποτελέσματα προς την κατεύθυνση της νευροδιαγνωστικής απεικόνισης mTBI με εργαλεία υψηλής ακρίβειας, ανοίγοντας νέα παράθυρα στην εξερεύνηση. | el |
| Τύπος | Διπλωματική Εργασία | el |
| Τύπος | Diploma Work | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| Ημερομηνία | 2021-10-13 | - |
| Ημερομηνία Δημοσίευσης | 2021 | - |
| Θεματική Κατηγορία | mTBI | en |
| Θεματική Κατηγορία | Functional neuroimaging | en |
| Θεματική Κατηγορία | Functional connectivity | en |
| Θεματική Κατηγορία | Resting state functional magnetic resonance imaging (fMRI) | en |
| Θεματική Κατηγορία | Graph theory | en |
| Θεματική Κατηγορία | Machine learning | en |
| Βιβλιογραφική Αναφορά | Nikolaos-Ioannis Simos, "Non-linear functional connectivity of resting-state fmri data from patients with brain insults: a time-varying analysis", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete , Chania, Greece, 2021 | el |
| Βιβλιογραφική Αναφορά | Νικόλαος-Ιωάννης Σίμος, "Μη-γραμμική λειτουργική συνδεσιμότητα σε δεδομένα λειτουργικής μαγνητικής τομογραφίας κατάστασης ηρεμίας (re-fMRI) ασθενών με προσβολές του νευρικού συστήματος: Μια δυναμική προσέγγιση ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2021 | el |
Copyright © DIAS 2013
