Συντάχθηκε 13-03-2024 12:02
Τόπος:
Σύνδεσμος τηλεδιάσκεψης
Έναρξη: 14/03/2024 13:30
Λήξη: 14/03/2024 14:30
ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών
ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Σωτηρίου Κάββουρα
με θέμα
Ανάλυση Μαγνητοεγκεφαλογραφήματος Ατόμων με Ήπιες Κρανιοεγκεφαλικές Κακώσεις με χρήση Πολυεπίπεδων Δικτύων Συνδεσιμότητας και Νευρωνικών Δικτύων Γράφων
Magnetoencephalogram Analysis of Subjects with Mild Head Injuries using Multilevel Connectivity Networks and Graph Neural Networks
Εξεταστική Επιτροπή
Καθηγητής Μιχαήλ Ζερβάκης (επιβλέπων)
Καθηγητής Θρασύβουλος Σπυρόπουλος
Καθηγητής Διονύσιος Χριστόπουλος
Περίληψη
Η ήπια κρανιοεγκεφαλική κάκωση (mTBI) είναι μια συχνή νευρολογική πάθηση με σημαντικές γνωστικές και λειτουργικές επιπτώσεις. Η παρούσα διατριβή παρουσιάζει μια ολοκληρωμένη διερεύνηση των νευρωνικών μεταβολών που σχετίζονται με το mTBI με τη χρήση προηγμένων τεχνικών νευροαπεικόνισης και μηχανικής μάθησης. Συγκεκριμένα, χρησιμοποιούμε την ανάλυση της λειτουργικής συνδεσιμότητας πολλαπλών επιπέδων (MLFC), τη μηχανική μάθηση (ML) και τα νευρωνικά δίκτυα γράφων (GNN) για να διαλευκάνουμε τα περίπλοκα μοτίβα της διαταραχής των εγκεφαλικών δικτύων και να παράσχουμε πληροφορίες για τους υποκείμενους νευροφυσιολογικούς μηχανισμούς. Οι μαγνητοεγκεφαλογραφικές (MEG) καταγραφές αποκτήθηκαν από ασθενείς με mTBI και υγιείς μάρτυρες κατά τη διάρκεια καταστάσεων ηρεμίας. Η MLFC καταγράφει πολυεπίπεδες συσχετίσεις σε διάφορες ζώνες συχνοτήτων, αποκαλύπτοντας λεπτές αλλαγές στη συνδεσιμότητα μεταξύ των διάφορων περιοχών του εγκεφάλου. Η ταξινόμηση με τη χρήση της ML αποδεικνύει τη δυνατότητα διάκρισης των ασθενών mTBI από τους υγιείς με βάση τα νευρικά χαρακτηριστικά. Τα GNN μοντελοποιούν τις περιοχές του εγκεφάλου ως γράφο, αποτυπώνοντας πολύπλοκες αλληλεπιδράσεις και μη γραμμικές σχέσεις. Η ενσωμάτωση των GNN ενισχύει την κατανόηση των διαταραχών που σχετίζονται με το mTBI, παρέχοντας μια πιο ολιστική προοπτική. Αν και τα GNN παρουσιάζουν σημαντικά ανώτερες επιδόσεις σε σύγκριση με τις παραδοσιακές μεθόδους μηχανικής μάθησης, επιτυγχάνοντας ακρίβεια περίπου 97% έναντι 80-85%, η εφαρμογή της MLFC παρουσιάζει λιγότερο σαφή αποτελέσματα, με τα αυτά να εμφανίζονται ιδιαίτερα διφορούμενα, κυμαινόμενα μεταξύ 50% και 65%. Η μελέτη μας ενισχύει τις γνώσεις σχετικά με την τροποποιημένη λειτουργική συνδεσιμότητα σε ασθενείς με mTBI. Η συγχώνευση των MLFC, ML και GNN αποκαλύπτει αποχρώσεις της δυναμικής που δεν καταγράφονται από τις παραδοσιακές μεθόδους. Τα ευρήματα αυτά συμβάλλουν στην κατανόηση της παθοφυσιολογίας του mTBI και μπορούν να καθοδηγήσουν εξατομικευμένες παρεμβάσεις.
Abstract
Mild Traumatic Brain Injury (mTBI) is a common neurological condition with significant cognitive and functional implications. This thesis presents a comprehensive investigation into the neural alterations associated with mTBI by employing advanced neuroimaging techniques and machine learning. Specifically, we employ Multi-Layer Functional Connectivity (MLFC) analysis, Machine Learning (ML), and Graph Neural Networks (GNNs) to unravel the intricate patterns of brain network disruption and provide insights into the underlying neurophysiological mechanisms. Magnetoencephalographic (MEG) recordings were acquired from mTBI patients and healthy controls during resting states. MLFC captures multi-layer correlations in different frequency bands, revealing subtle connectivity changes between brain regions. ML classification demonstrates the potential to discern mTBI patients from controls based on neural features. GNNs model brain regions as a graph, capturing complex interactions and non-linear relationships. Integrating GNNs enhances our understanding of mTBI-related disruptions, providing a more holistic perspective. Our study enhances insights into altered functional connectivity in mTBI patients. Although GNNs exhibit significantly superior performance compared to traditional machine learning methods, achieving an accuracy of approximately 97% versus 80-85%, the application of MLFC presents less definitive outcomes, with results appearing notably ambiguous, ranging between 50% and 65%. The fusion of MLFC, ML, and GNNs unveils nuanced dynamics not captured by traditional methods. These findings contribute to understanding mTBI pathophysiology and may guide personalized interventions.
