Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Μη-γραμμική λειτουργική συνδεσιμότητα σε δεδομένα λειτουργικής μαγνητικής τομογραφίας κατάστασης ηρεμίας (re-fMRI) ασθενών με προσβολές του νευρικού συστήματος: Μια δυναμική προσέγγιση

Simos Nikolaos-Ioannis

Πλήρης Εγγραφή

---

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.

Διαθέσιμα αρχεία

Υπηρεσίες