Geri Dön

Computer Aided Prognosis of Epileptic Patients Using Multi-Modality Data andArtificial Intelligence Techniques

Çoklu Modalite Verileri ve Yapay Zeka Teknikleri Kullanarak Epilepsi Hastalarına Bilgisayar Yardımıyla Teşhis Konulması

  1. Tez No: 773063
  2. Yazar: MASOUD LATIFINAVID
  3. Danışmanlar: PROF. DR. HAMID SOLTANIAN-ZADEH
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mechatronics Engineering, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Hücresel yapay sinir ağları, Cellular artificial neural networks
  7. Yıl: 2009
  8. Dil: İngilizce
  9. Üniversite: Sharıf Unıversıty Of Technology
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Metal Öğretmenliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Epilepsi hastalarında anomalinin yapay zeka ve makine öğrenmesi teknikleriyle tespiti ve teşhisi hala erken deneysel fazlardadır. Epilepsi için cerrahi operasyona kararı, uzun süreli elektronik görüntülemenin takip ettiği bir intrakraniyal elektrot implantasyonu içeren klinik eylemlere bağlıdır (EEG Faz II). Bu invazif test, çok masraflı, ağrılı ve zaman alıcıdır. Burada amaç, şu iki paradigmanın entegrasyonudur: 1- Epilepsinin non-inzavif çoklu modalite verileri. 2- Yapay zeka ve makine öğrenmesi teknikleri. Hastaların demografik bilgileri, klinik ve EEG faz 1 verileri ve lokalize anatomik referans noktalarını ile lokalize anatomik referans noktaları ve volümetrik MRI görüntülerinde tanımlanan/başlatılan beyin yapılarını içeren insan beyni çoklu modalite veri tabanı sistemini kullandık. Böyle bir veri tabanı, anlamlı veri madenciliği ve bilgi keşfi için son derece faydalıdır. Epilepsi hastalığına müdahili anahtar bir anatomik yapı olarak hipokampüsün morfolojik ve görsel özellikleri, bu tezin odak noktasını teşkil etmektedir. Bu çalışmanın ilk bölümünde, cerrahi adaylarının belirlenmesini amaçlayan bir algoritma tasarlamak için; EEG faz I, kullanılan ilaç bilgileri, hastalık öyküsü, nöropsikoloji ve WADA testleri gibi non-invazif ve görsel olmayan çoklu modalite verilerine odaklandık. Algoritmalarımız, bazı özellik seçimi, kümeleme ve sınıflandırma yaklaşımlarından oluşuyordu. Çalışmanın tüm aşamalarında, özellik seçimi yöntemleri olarak ''Korelasyon temelli özellik seçimi (CFS)'', ''Genetik algoritması (GA)'' araştırma araçlı ''Sınıflandırıcı alt küme değerlendiricisi (CSE) ve ''Tedavi öz nitelik değerlendirmesini''; kümeleme yöntemleri olarak ''Beklenti maksimizasyon sınıfı (EM)'' ve ''Artımlı kavramsal kümelemeyi (COBWEB)'' ve sınıflandırma aracı olarak da ''Çok Katmanlı Algılayıcı sınıflandırıcısını (MLP)'' kullandık. Ayrıca sınıflandırıcıların çıktısı, cerrahi başarısının belirlenmesi için uygun bir yöntem olan Engel epilepsi hastaları sınıflandırmasına dayandırıldı. Bu pahalı olmayan ve mevcut verileri kullanarak Engel sınıfının %56.11'i ve her iki Engel sınıfı ve alt sınıfının %31,65'i doğru biçimde tahmin edildi. Ayrıca, bu tarz bir veri tabanını kullanarak cerrahi için daha uygun adaylar olarak veri tabanındaki sınıf 1 vakaların %70,73'ünü doğru biçimde tahmin edebildik. Bu çalışmanın ikinci kısmında, görüntü modalitesi verilerine odaklandık. Belirtilen yöntemleri ve onların birleşimini kullanarak tüm Engel sınıflarında %64,93 oranında doğru tahmin elde ettik ve her iki Engel sınıfı ve alt sınıfının %46,75'i doğru tahmin edildi. Ayrıca, cerrahi adaylarının belirlenmesi için sınıf 1 vakaların tahmini açısından, veri setindeki vakaların %88,23'ü kabul edilebilir hassaslık oranı ile doğru biçimde tahmin edildi. Bu çalışmada elde edilen sonuçlar, epilepsi hakkında daha değerli özelliklerin tespiti için bir başlangıç noktası olabilir ve düşük maliyet ve non-invazif veriler ile cerrahi sonucunu tahmin etmek için etkili bir algoritmayı tanımlayabilir. Artan örneklem evreni büyüklüğü, sınıflandırma sürecinde doğruluk oranın artmasına neden oluyor gibi görünmektedir.

Özet (Çeviri)

Abnormality detection and prognosis of epileptic patients with artificial intelligence and machine learning techniques is still in its early experimental stages. Surgical candidacy determination for epilepsy depends on the clinical actions which involve an intracranial electrode implantation followed by prolonged electrographic monitoring (EEG phase II) .This invasive test is very costly, painful and time consuming. Here the goal is integration of the two following paradigms: 1 -Non invasive multimodality data of epilepsy. 2 - Artificial intelligence and machine learning techniques. We have used human brain multi-modality database system that includes patient's demographics, clinical and EEG phase I data as well as localized anatomical landmarks and identified/initialized brain structures in volumetric MRI images. Such database is very useful for meaningful data mining and knowledge discovery. Morphological and visual features of hippocampus, as a key anatomical structure involved in epilepsy disease, are the focus of attention in this thesis. In the first part of the present study we focused on non-invasive and non-visual multimodality data, like EEG phase I, medication information, medical history, neuropsychology and WADA tests in order to design an algorithm for determination of surgery candidates. Our algorithms were composed of some feature selection, clustering“Classifier subset evaluator CSE”with“Genetic algorithm GA”search tool and“ReliefF attribute evaluation”as the methods of feature selection,“Expectation maximization class EM”and“Incremental conceptual clustering COBWEB ”as the clustering methods and“Multilayer Perceptron classifier MLP”as classification tool at all stages of the study. In addition, the output of classifiers was based on Engel classification of the epileptic patients, which is a suitable standard for determination of surgery success. Using these inexpensive and available data, up to 56.11% of all Engel class and 31.65% of both Engel class and subclass were predicted correctly. Furthermore using this kind of database we could correctly predict 70.73% of class 1 instances in database that were more appropriate candidates for surgery. In the second part of this study we focused on image modality data. Using mentioned methods and combination of them we yielded up to 64.93% in correct prediction of all Engel classes and 46.75% of both Engel class and subclass were correctly predicted. Also regarding the prediction class1 instances for determination of surgical candidates, up to 88.23% of class 1 instances in dataset were predicted correctly with acceptable precision rate. The results obtained in this study can be a starting point for detecting more valuable features on the epilepsy and define an effective algorithm in order to predict the surgery outcome with low-cost and noninvasive data. It seems that the extended population size of the samples can lead to accuracy increase in the classification process.

Benzer Tezler

  1. Tez No

    894903

    Febril nöbet tanılı hastaların demografik ve kinik özellikleri

    Demographic and clinical characteristics of patients diagnosed with febrile seizures

    SABER ALI AHMED SABER ALI AHMED

    Doktora

    Türkçe

    Türkçe

    2024

    Çocuk Sağlığı ve HastalıklarıAnkara Yıldırım Beyazıt Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. NESRİN CEYLAN

  2. Tez No

    472615

    Computer aided diagnosis of cognitive disorders using neuropsychological and neuroimaging data

    Nöropsikolojik ve nörogörüntüleme verileri ile bilişsel bozuklukların bilgisayar destekli tanısı

    FÜSUN ER

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYeditepe Üniversitesi

    Biyoteknoloji Ana Bilim Dalı

    YRD. DOÇ. DR. DIONYSIS GOULARAS

  3. Tez No

    709909

    Multi-modal neuroimaging data prediction: Estimation of connectional brain template and multigraph classification with application to gender fingerprinting

    Çoklu modal nörogörüntüleme veri tahmini: Bağlantılı beyin şablonunun tahmini ve cinsiyet parmak izi uygulaması ile çoklu grafik sınıflandırma

    NADA CHAARI

    Doktora

    İngilizce

    İngilizce

    2021

    Mühendislik Bilimleriİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. HATİCE CAMGÖZ AKDAĞ

    DR. ÖĞR. ÜYESİ ISLEM REKIK

  4. Tez No

    709938

    Classification of melanoma malignancy in dermatology

    Dermatolojide melanoma malignansının sınıflandırılması

    BİLGE SÜHEYLA GAZİOĞLU

    Doktora

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA ERSEL KAMAŞAK

  5. Tez No

    307075

    Classification of clinically different subtypes of multiple sclerosis

    Multipl skleroz hastalığının farklı klinik alttiplerinin sınıflandırılması

    DİDEM KORKMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2011

    Biyolojiİstanbul Teknik Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DOÇ. DR. EDA TAHIR TURANLI

    YRD. DOÇ. DR. MUSTAFA KAMAŞAK

Geri Dön