Διάγνωση αυτισμού με χρήση συνελικτικού δικτύου γράφων

Δημητρακόπουλος, Παύλος

dc.contributor.author	Δημητρακόπουλος, Παύλος	el
dc.date.accessioned	2020-11-12T06:03:09Z
dc.date.available	2020-11-12T06:03:09Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51901
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19599
dc.rights	Default License
dc.subject	Αυτισμός	el
dc.subject	Απεικονιστικές μέθοδοι του εγκεφάλου	el
dc.subject	fMRI	en
dc.subject	Ημι-επιβλεπόμενη μηχανική μάθηση	el
dc.subject	Συνελικτικά νευρωνικά δίκτυα γράφων (G-CNNs)	el
dc.title	Διάγνωση αυτισμού με χρήση συνελικτικού δικτύου γράφων	el
dc.contributor.department	ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ	el
heal.type	bachelorThesis
heal.classification	Machine Learning	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2020-07-10
heal.abstract	Στόχος αυτής της διπλωματικής εργασίας είναι η διάγνωση του αυτισμού από δεδομένα που προκύπτουν από την απεικόνιση του εγκεφάλου με τη μέθοδο του fMRI και από ένα άλλο σύνολο φαινοτυπικών δεδομένων που σχετίζονται με τον αυτισμό (π.χ. φύλο) με τη χρήση συνελικτικού νευρωνικού δικτύου σε γράφο (Graph Convolutional Neural Network ή G-CNN). Τα δεδομένα που χρησιμοποιήθηκαν αποκτήθηκαν από τη βάση του Autism Brain Imaging Data Exchange (ΑBIDE), το οποίο έχει συγκεντρώσει δεδομένα νευροεγκεφαλικής απεικόνισης από εργαστήρια από όλο τον κόσμο. Το κύριο χαρακτηριστικό του μοντέλου που υλοποιήσαμε είναι ότι δεν αξιοποιεί μόνο τα δεδομένα της εγκεφαλικής απεικόνισης αλλά και ένα σύνολο φαινοτυπικών πληροφοριών που συνδέουν μεταξύ τους τα δείγματα του πληθυσμού, με τη βασική υπόθεση ότι αυτές οι πληροφορίες θα βοηθήσουν δραστικά στην αύξηση της ακρίβειας των προβλέψεων. Ο πληθυσμός μας αποτελείται από 871 δείγματα που δομήσαμε σε ένα γράφο, του οποίου οι ακμές αντιπροσωπεύουν τα κοινά χαρακτηριστικά που έχουν μεταξύ τους οι κόμβοι-δείγματα (π.χ. φύλο, ηλικία). Πειραματιστήκαμε με διάφορες παραλλαγές της αρχιτεκτονικής του γράφου και με διάφορες παραμέτρους του μοντέλου, και καταφέραμε να πετύχουμε ακρίβεια προβλέψεων μέχρι και 69%, όταν το state of the art είναι 70,4% (Parisot et al., 2018).	el
heal.abstract	The aim of this diploma thesis is to diagnose autism from data obtained from brain imaging using the fMRI method and from another set of phenotypic data related to autism (eg gender) using a Graph Convolutional Neural Network (G-CNN). The data used were obtained from the Autism Brain Imaging Data Exchange (ABIDE) database, which has collected neurobrain imaging data from laboratories around the world. The main feature of the model we implemented is that it uses not only the brain imaging data but also a set of phenotypic information that connects the population samples, with the basic assumption that this information will drastically help increase the accuracy of the predictions. Our population consists of 871 samples that we have structured in a graph, the edges of which represent the common features of the nodes (eg gender, age). We experimented with different variants of the graph's architecture and with different parameters of the model, and we managed to achieve prediction accuracy of up to 69%, when the state of the art is 70.4% (Parisot et al., 2018).	en
heal.advisorName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας-Γεώργιος	el
heal.committeeMemberName	Στάμου, Γιώργος	el
heal.committeeMemberName	Νικήτα, Κωνσταντίνα	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	76 σ.	el
heal.fullTextAvailability	false