Characterization of epileptic activity based on integrated functional network from MEG data on a realistic head modelCharacterization of epileptic activity based on integrated functional network from MEG data on a realistic head modelΧαρακτηρισμός επιληπτικής δραστηριότητας μέσω της αποτύπωσης του λειτουργικού δικτύου σε πραγματικό μοντέλο κεφαλής από δεδομένα μαγνητοεγκεφαλογραφήματος Διπλωματική Εργασία Diploma Work 2019-03-052019enEpilepsy is a complex brain disorder which affects millions of people worldwide. A significant percentage of the cases is described by drug resistance increasing this way the need for exploiting different approaches for the treatment. Such techniques incorporate invasive methods to resect the cortical tissues that are responsible for the epileptic seizures. However, these approaches require spatial accuracy in order to localize the epileptic focus as well as to avoid damaging the equivalent brain areas. An important step prior to the operative treatment is the presurgical evaluation which aims in accurate detection of the epileptic focus utilizing the Electrocorticography (ECoG). This thesis addresses the source localization/reconstruction problem from interictal epileptic spikes to improve presurgical epilepsy diagnosis with the ultimate goal to save patients from multiple repetitions of these invasive techniques. Specifically, it aims to detect the epileptic activity at source level as derived from combined electroencephalography (EEG) and magnetoencephalography (MEG) Data on a realistic head model. The source reconstruction problem is focusing on disentangling the brain sources from the activity recorded non-invasively by the sensors of the neuroimaging modalities by simulating brain anatomy and conductivities. The proposed approach includes unsupervised learning methods to sort epileptic activity using adaptive features for the spikes and comparison of algorithms such as sLORETA, eLORETA and Minimum Norm Estimate (MNE) for solving the localization problem. In the clustering model of our method we consider the problem of describing the interictal spikes with adequate features, which could be used for sorting purposes. In the source reconstruction, we solve the forward problem using a 6-compartment head model constructed with Finite Element Method (FEM). The inverse solution of the problem is being performed mainly with sLORETA algorithm but MNE and other inverse methods were also evaluated utilizing the FEM headmodel. Finally, the results obtained achieve exceptional accuracy in detecting the epileptic foci in a patient with multifocal epilepsy with the activated areas being in the vicinity of patient’s focal cortical dysplasias.Η επιληψία είναι μια πολύπλοκη διαταραχή του εγκεφάλου που επηρεάζει εκατομμύρια ανθρώπους παγκοσμίως. Ένα σημαντικό ποσοστό των επιληπτικών περιπτώσεων χαρακτηρίζεται από ανοχή σε φαρμακευτικές αγωγές γεγονός που ολοένα και περισσότερο εντείνει την εξερεύνηση διαφορετικών μεθόδων θεραπείας. Τέτοιες τεχνικές περιλαμβάνουν επεμβατικές μεθόδους για αφαίρεση μέρους του φλοιού που ευθύνεται για την επιληπτογένεση. Ωστόσο, είναι απαραίτητη η χωρική ακρίβεια και ανάλυση για την αφαίρεση τέτοιων ιστών έτσι ώστε να μην προξενηθούν βλάβες σε θεμελιώδεις λειτουργίες του εγκεφάλου. Ένα σημαντικό βήμα πριν την επεμβατική θεραπεία είναι η προεγχειρητική αξιολόγηση που στοχεύει στον ακριβή εντοπισμό της επιληπτικής εστίας μέσω του ενδοκρανιακού εγκεφαλογραφήματος. Η διπλωματική αυτή εστιάζει στο πρόβλημα εντοπισμού των πηγών από συμπλέγματα αιχμών στα διαστήματα μεταξύ των επιληπτικών κρίσεων για την βελτίωση της προεγχειρητικής διάγνωσης έχοντας ως απώτερο στόχο την καταπράυνση των συμπτωμάτων και την απαλλαγή των ασθενών από επαναλαμβανόμενες επεμβάσεις. Συγκεκριμένα, αποσκοπεί στον εντοπισμό της επιληπτικής δραστηριότητας σε επίπεδο πηγών ρεύματος από συνδυασμό δεδομένων Μαγνητοεγκεφαλογραφήματος και Ηλεκτροεγκεφαλογραφήματος αξιοποιώντας ένα ρεαλιστικό μοντέλο κεφαλής. Η ανακατασκευή των πηγών είναι ένα πρόβλημα που επικεντρώνεται στην απόμιξη των εγκεφαλικών πηγών από τη δραστηριότητα που καταγράφεται μη επεμβατικά στους αισθητήρες μιας νευροαπεικονιστικής μεθόδου προσομοιώνοντας την ανατομία του εγκεφάλου αλλά και τις ηλεκτρικές του ιδιότητες. Η προτεινόμενη προσεγγιση εμπεριέχει αλγορίθμους μη εποπτευόμενης μάθησης για ταξινόμηση της επιληπτικής δραστηριότητας χρησιμοποίωντας προσαρμοστικά χαρακτηριστικά καθώς και σύγκριση ποικίλλων μεθόδων όπως το sLORETA, eLORETA και MNE για την επίλυση του αντίστροφου προβλήματος. Στο μοντέλο συσταδοποίησης εξετάζουμε το πρόβλημα της εξαγωγής αντιπροσωπευτικών χαρακτηριστικών που θα οδηγήσουν στην ομαδοποίηση των επιληπτικών φαινομένων. Σχετικά με το πρόβλημα ανακατασκευής πηγών επιλύουμε το ευθύ πρόβλημα χρησιμοποιώντας ενα μοντέλο κεφαλής απαρτιζόμενο από 6 επίπεδα/τμήματα και την μέθοδο αριθμητικής ανάλυσης Finite Element Method. Τέλος, υλοποιώντας διάφορους αλγορίθμους για την αντίστροφη λύση τα αποτελέσματα που λαμβάνουμε πετυχαίνουν εξαιρετική ακρίβεια στον εντοπισμό των επιληπτικών εστιών σε έναν ασθενή με πολυεστιακή επιληψία ανιχνεύοντας δραστηριότητα κοντά στις εστιακές δυσπλασίες του. http://creativecommons.org/licenses/by/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνDimakopoulos_Vasileios_Dip_2019.pdfChania [Greece]Library of TUC2019-03-05application/pdf29.1 MBfree Dimakopoulos Vasileios Δημακοπουλος Βασιλειος Zervakis Michail Ζερβακης Μιχαηλ Liavas Athanasios Λιαβας Αθανασιος Wolters Carsten Πολυτεχνείο Κρήτης Technical University of Crete Epilepsy--Biomedical signal processing Επιληψία--Βιοιατρική επεξεργασία σήματος