elξινόμηση διαταραχών αυτιστικού φάσματος με τη χρήση βαθιάς μηχανικής μάθησης

Τσιακλής, Κύρος; Tsiaklis, Kyros

dc.contributor.author	Τσιακλής, Κύρος	el
dc.contributor.author	Tsiaklis, Kyros	en
dc.date.accessioned	2018-09-11T10:06:50Z
dc.date.available	2018-09-11T10:06:50Z
dc.date.issued	2018-09-11
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47561
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.15435
dc.rights	Default License
dc.subject	Αυτισμός	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Βαθιά μάθηση	el
dc.subject	Νευρωνικά δίκτυα	el
dc.subject	Ταξινόμηση	el
dc.subject	Autism	en
dc.subject	Machine learning	en
dc.subject	Deep learning	en
dc.subject	Neural networks	en
dc.subject	Classification	en
dc.subject	Autism spectrum disorder	en
dc.title	Ταξινόμηση διαταραχών αυτιστικού φάσματος με τη χρήση βαθιάς μηχανικής μάθησης	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική μηχανική	el
heal.classificationURI	http://data.seab.gr/concepts/e21d30fc29c7c38310b1b9c23590a18fd030f6f2
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-17
heal.abstract	Ένας από τους πρωταρχικούς στόχους στην έρευνα με δεδομένα νευροαπεικόνισης είναι να προσδιοριστούν αντικειμενικοί βιοδείκτες οι οποίοι μπορούν να βελτιώσουν την διάγνωση και την θεραπεία εγκεφαλικών διαταραχών. Η διαταραχή στο φάσμα του αυτισμού (Autism Spectrum Disorder – ASD) ή αυτισμός, αναφέρεται σε ένα σύνολο ετερογενών νευροαναπτυξιακών συνθηκών, που χαρακτηρίζονται από: δυσκολίες στις κοινωνικές δεξιότητες, στην ομιλία και μη λεκτική επικοινωνία, καθώς και ασυνήθιστα περιορισμένες, επαναλαμβανόμενες συμπεριφορές και ενδιαφέροντα. Ο όρος "φάσμα" αντικατοπτρίζει τη μεγάλη ποικιλία στις προκλήσεις και τις δυνάμεις που κατέχει κάθε άτομο με αυτισμό. Η αναζήτηση για την εγκεφαλική λειτουργία στην ASD δεν υπήρξε και πολύ ενθαρρυντική. Αν και έχουν γίνει εκτεταμένες προσπάθειες για να βρεθεί η βάση του αυτισμού, όσον αφορά πιθανή ανώμαλη εγκεφαλική δομή και ιστοπαθολογία, ο εντοπισμός ανατομικών ανωμαλιών που να είναι συγκεκριμένες ή καθολικές στον αυτισμό, αποδείχθηκε πολύ δύσκολος και δεν έχει προκύψει μέχρι στιγμής καμία συνεκτική αιτιολογία. Η χρήση αλγορίθμων μηχανικής μάθησης στην ιατρική διάγνωση αυξάνεται σταδιακά και είναι ένα υποσχόμενο εργαλείο στην διερεύνηση, σε μεγάλα και ετερογενή σύνολα δεδομένων νευροαπεικόνισης, των προτύπων της εγκεφαλικής λειτουργίας. Σε μια προσπάθεια βελτίωσης την αποτελεσμάτων και των διαγνωστικών επιδόσεων, οι ερευνητές χρησιμοποιούν πιο σύγχρονες μεθόδους μηχανικής μάθησης, όπως είναι η βαθιά μάθηση, μια μέθοδος η οποία εμπνέεται απο την λειτουργία των νευρωνικών δικτύων του εγκεφάλου. Στην παρούσα διπλωματική εργασία παρουσιάζονται τόσο ο αυτισμός, όσο και η μηχανική και βαθιά μάθηση. Στην συνέχεια, με την χρήση της γλώσσας Python και της εφαρμογής Keras, κατασκευάζεται ένα νευρωνικό δίκτυο που έχοντας ως είσοδο δεδομένα από κάποιες περιοχές ενδιαφέροντος εγκεφαλικής λειτουργίας που επιλέξαμε, γίνεται προσπάθεια διαχώρισης/ταξινόμησης των ατόμων με αυτισμό και των ατόμων τυπικού ελέγχου. Σαν αποτέλεσμα, θέλουμε να καταλήξουμε σε ένα συμπέρασμα αν οι περιοχές εγκεφαλικής λειτουργίας που επιλέξαμε εμπεριέχουν αρκετή πληροφορία έτσι ώστε να μπορούν να δώσουν καλή ακρίβεια ταξινόμησης, και ως εκ τούτου η εγκεφαλική λειτουργία σε αυτές τις περιοχές είναι ενημερωτική και παρουσιάζει ενδιαφέρον στην ASD.	el
heal.abstract	One of the primary goals in research with neuroimaging data is to identify objective biomarkers that can improve the diagnosis and treatment of brain disorders. Autism Spectrum neurodevelopmental conditions characterized by: difficulties in social skills, speech and non-verbal communication, as well as unusually limited, repetitive behaviors and interests. The term "spectrum" reflects the wide variety of challenges and strengths of every person with autism. The search for brain function abnormalities in ASD was not very encouraging. Although extensive efforts have been made to find the basis of autism for abnormal brain structure and histopathology, the detection of anatomical abnormalities specific or universal in autism, has proven to be very difficult and no coherent reasoning has arisen. The use of machine-learning algorithms in medical diagnosis is gradually increasing and is a promising tool in exploring the patterns of brain function, across large and heterogeneous sets of neuroimaging data. In an effort to improve results and diagnostic performance, researchers are using modern machine-learning methods, such as deep learning, a method inspired by the neural networks of the brain. This thesis presents autism, machine learning and deep learning. Then using the Python programming language and Keras API, we have constructed a neural network, which given as input data from some brain regions of interest, classified people with autism and typical control individuals. As a result, we aime to reach a conclusion whether brain regions we have chosen, include enough information so that they can produce high classification accuracy, meaning that brain function in these regions are informative and interesting in ASD.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών	el
heal.academicPublisherID	ntua
heal.numberOfPages	112 σ.	el
heal.fullTextAvailability	true