Εφαρμογή αλγορίθμων επιλογής χαρακτηριστικών για την ανεύρεση βιοδεικτών με στόχο την ταξινόμηση αυτιστικών ατόμων

Μαραγκού, Ιωσηφίνα; Maragkou, Iosifina

dc.contributor.author	Μαραγκού, Ιωσηφίνα	el
dc.contributor.author	Maragkou, Iosifina	en
dc.date.accessioned	2020-11-10T12:41:00Z
dc.date.available	2020-11-10T12:41:00Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51882
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19580
dc.rights	Default License
dc.subject	Αυτισμός	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Μείωση διαστατικότητας	el
dc.subject	Ταξινομητές	el
dc.subject	Βιοδείκτες	el
dc.subject	Autism	en
dc.subject	Machine learning	en
dc.subject	Dimensionality reduction	en
dc.subject	Classifiers	en
dc.subject	Biomarkers	en
dc.title	Εφαρμογή αλγορίθμων επιλογής χαρακτηριστικών για την ανεύρεση βιοδεικτών με στόχο την ταξινόμηση αυτιστικών ατόμων	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-10-22
heal.abstract	Στην παρούσα διπλωματική εργασία έγινε προσπάθεια για την αύξηση της ακρίβειας της αυτοματοποιημένης διαδικασίας διαχωρισμού ατόμων που ανήκουν στο φάσμα του αυτισμού από τυπικά αναπτυσσόμενους. Η προσπάθεια αυτή βασίστηκε στην εύρεση βιοδεικτών που διαφέρουν ανάμεσα στις δύο κατηγορίες. Για την επίτευξη αυτού του στόχου χρησιμοποιούνται ως εργαλεία μέθοδοι μηχανικής μάθησης. Τα δεδομένα που χρησιμοποιήθηκαν στην εργασία, προήλθαν από τη βάση δεδομένων ABIDE (Autism Brain Imaging Data Exchange). Πρόκειται για μια βάση δεδομένων από απεικονίσεις προερχόμενες από λειτουργική απεικόνιση μαγνητικού συντονισμού (functional Magnetic Resonance Imaging - fMRI), ατόμων που ανήκουν στο φάσμα του αυτισμού αλλά και από τυπικά αναπτυσσόμενους ανθρώπους, σε κατάσταση ηρεμίας. Οι άτλαντες που χρησιμοποιήθηκαν για την απεικόνιση των περιοχών ήταν οι εξής: Harvard Oxford (HO), Automated Anatomical Labeling (AAL) και Craddock (CC-200), ενώ αξιοποιήθηκαν τα δεδομένα των περιοχών που ανήκουν στο Δίκτυο Κατάστασης Ηρεμίας (ΔΚΗ). Ως προς τα χαρακτηριστικά που χρησιμοποιήθηκαν, πραγματοποιήθηκε υπολογισμός της στατικής και λειτουργικής συνδεσιμότητας μεταξύ των περιοχών του εγκεφάλου που ενεργοποιούνται σε κατάσταση ηρεμίας και ανήκουν στο ΔΚΗ, καθώς και υπολογισμός των στατιστικών στιγμών τους, όπως είναι η μέση τιμή, η διακύμανση, η κυρτότητα και η στρέβλωση. Κάνοντας χρήση των παραπάνω χαρακτηριστικών, των δημογραφικών στοιχείων αλλά και πληροφοριών που σχετίζονται με τις παραμέτρους που ορίστηκαν στο μαγνητικό τομογράφο για τη λήψη, δημιουργήθηκε ένα πίνακας που περιλάμβανε αυτά τα χαρακτηριστικά, τα οποία στη συνέχεια δόθηκαν ως είσοδος σε μοντέλα μηχανικής μάθησης. Τα εργαλεία μηχανικής μάθησης που χρησιμοποιήθηκαν περιλαμβάνουν νευρωνικά δίκτυα, διάφορους αλγόριθμους ταξινόμησης και αλγόριθμους μείωσης διαστατικότητας. Επιπλέον, μελετήθηκε η επίδραση επιμέρους χαρακτηριστικών στα αποτελέσματα της ταξινόμησης. Ακόμα, πραγματοποιήθηκε μελέτη μέσω δοκιμών τις επίδρασης των διαφορετικών ατλάντων στα αποτελέσματα της ταξινόμησης. Στην εργασία αυτή παρουσιάζονται αναλυτικά οι ταξινομητές που μελετήθηκαν, οι δοκιμές που πραγματοποιήθηκαν καθώς και τα αποτελέσματα που προέκυψαν. Στην συνέχεια παρουσιάζονται τα αποτελέσματα αλγορίθμων μείωσης διαστατικότητας όταν αυτοί εφαρμόστηκαν στα παραπάνω δεδομένα και έγινε συγκερασμός των αποτελεσμάτων τους για την εύρεση του συνόλου βιοδεικτών με την καλύτερη απόδοση ταξινόμησης. Τέλος, έγινε προσπάθεια συσχετισμού περιοχών του εγκέφαλου με τα χαρακτηριστικά με την μεγαλύτερη συχνότητα εμφάνισης μεταξύ των επιτυχημένων μοντέλων, προκειμένου να αναδειχθούν οι περιοχές που τελικά σχετίζονται με το φάσμα της αυτιστικής διαταραχής.	el
heal.abstract	In the present thesis an attempt was performed in order to increase the accuracy of an automated process of classifying people as belonging on the Autism Spectrum Disorder (ASD) against Typically Developed (TD) ones. This effort was based on finding biomarkers that are differentiated among the two groups. To achieve this goal, machine learning methods are employed. The data that were utilized for this work originated from the ABIDE (Autism Brain Imaging Data Exchange) database. ABIDE is an initiative of functional Magnetic Resonance Imaging (fMRI) data, acquired from people belonging on the autism spectrum but also of typically developed people, at rest. The atlases that were used to map the brain regions were: Harvard Oxford (HO), Automated Anatomical Labeling (AAL) and Craddock (CC-200), while data from the areas belonging to the Default Mode Network (DMN) were utilized. Regarding the characteristics that were employed as features, a calculation of the static and dynamic functional connectivity among the areas of the brain that are activated in resting state and belong on the DMN, as well as the calculation of their statistical moments, such as mean value, variance, skewness and kurtosis, was performed. Using the above features, demographics and information related to the parameters of the MRI acquisition protocol, a table was created containing these features, which were afterwards given as input to machine learning algorithms. Artificial intelligence tools that were utilized, include neural networks, various classification algorithms and dimensionality reduction algorithms. In addition, the effect of each characteristic on the classification results was further examined. Furthermore, a variety brain atlases were tested as for their suitability, based on the derived results of the classification, for performing the distinction process among ASD and TD subjects. This diploma thesis presents in detail the classifiers that were utilized, the trials that were performed, as well as the results that were obtained. Following, the results of the dimensionality reduction algorithms are demonstrated when these were applied to the abovementioned data. Moreover, their results were interpreted towards finding the subset of biomarkers with the best classification performance. Finally, an attempt was made to correlate areas of the brain with the features that were most commonly seen among the subsets of the biomarkers that were derived from the feature selection process and had the finest performance, in order to highlight the areas that are ultimately related with the spectrum of autistic disorder.	en
heal.advisorName	Ματσόπουλος, Γεώργιος	el
heal.committeeMemberName	Κουτσούρης, Δημήτριος-Διονύσιος	el
heal.committeeMemberName	Πολιτόπουλος, Κωνσταντίνος	el
heal.committeeMemberName	Ματσόπουλος, Γεώργιος	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	85 σ.	el
heal.fullTextAvailability	false