HEAL DSpace

Detecting patterns of coordinated brain change over time via orthogonally projective non-negative matrix factorization and structural covariance analysis

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Ντε Πιαν, Μαρία Ελένη el
dc.contributor.author Nte Pian, Maria-Eleni en
dc.date.accessioned 2022-10-25T09:51:52Z
dc.date.available 2022-10-25T09:51:52Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/55994
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.23692
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ *
dc.subject Ορθοκανονικά προβολικό el
dc.subject Μη αρνητική παραγοντοποίηση πίνακα el
dc.subject Διαχρονικά μοτίβα el
dc.subject Νευροαπεικόνιση el
dc.subject Γήρανση el
dc.subject Semi-orthogonally projective en
dc.subject Non-negative matrix factorization el
dc.subject Longitudinal patterns el
dc.subject Neuroimaging el
dc.subject Aging el
dc.title Detecting patterns of coordinated brain change over time via orthogonally projective non-negative matrix factorization and structural covariance analysis en
dc.title Ανίχνευση προτύπων συντονισμένης εγκεφαλικής αλλαγής στο πέρασμα του χρόνου μέσω ορθογωνικά προβολικής μη-αρνητικής παραγοντοποίησης πίνακα και ανάλυση ανατομικής συνδιακύμανσης el
dc.contributor.department Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας el
heal.type bachelorThesis
heal.classification Νευροαπεικόνιση el
heal.classification Αναγνώριση Προτύπων el
heal.language el
heal.language en
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2022-06-29
heal.abstract Large-scale longitudinal brain imaging studies provide unprecedented opportunities for understanding disease processes and developing early diagnostic and predictive biomarkers. However, commonly used techniques, such as voxel-based analyses, are frequently mass univariate, and fail to capture patterns of subtle, yet coordinated brain change over time, which might result from an underlying neuropathologic process. Orthogonally projective non-negative matrix factorization (opNMF) has previously shown great potential as a data-driven, interpretable dimensionality reduction and parts-based decomposition method. Its use in longitudinal studies has not yet extensively explored. Importantly, direct application of NMF methods to images that contain both positive and negative parts, is not straightforward. Brain changes can be such signals (e.g. simultaneous decrease of gray or white matter regional volumes and increase in white matter hyperintensities of CSF). Here, we propose a semi variant of opNMF (semi-opNMF) and a modification of the input for the original opNMF that fill in this methodological gap, in the context of mapping longitudinal brain change. Both the semi-opNMF model and the modified standard opNMF learn and extract parts-based representation that is driven by age-related longitudinal patterns of structural covariance (LPSCs) in data, under the hypothesis that such patterns might reflect evolving neuropathological processes that affect brain regions simultaneously. We have empirically proven that the semi-opNMF model can quickly converge to a global or local optimum and obtain high sparsity for clinical interpretability. The extracted LPSCs were highly correlated with various clinical measures in ADNI and BLSA. Additionally, LPSCs had comparable predictive power with some of the state-of-the-art biomarkers of MCI and AD available and they had higher power in classifying progressive MCI and static MCI patients than other widely used extracted regions. The proposed model shows great potential in longitudinal analysis with mixed-sign signals and promotes clinical interpretability. en
heal.abstract Οι μεγάλης κλίμακας διαχρονικές μελέτες απεικόνισης του εγκεφάλου παρέχουν πρωτοφανείς ευκαιρίες για την κατανόηση των διαδικασιών της νόσου και την ανάπτυξη πρώιμων διαγνωστικών και προγνωστικών βιοδεικτών. Ωστόσο, οι διαδεδομένες τεχνικές, όπως οι αναλύσεις με βάση τα voxel, είναι συχνά μαζικές μονομεταβλητές και αποτυγχάνουν να συλλάβουν μοτίβα ανεπαίσθητων, αλλά συντονισμένων εγκεφαλικών αλλαγών που συμβαίνουν με την πάροδο του χρόνου, που συχνά είναι αποτέλεσμα μιας υποκείμενης νευροπαθολογικής διαδικασίας. Η ορθογωνικά προβολική παραγοντοποίηση μη αρνητικών πινάκων (opNMF) έχει προηγουμένως δείξει μεγάλες δυνατότητες ως μια μη επιβλεπόμενη, ερμηνεύσιμη μέθοδος μείωσης της διαστατικότητας και τμηματικής αποσύνθεσης. Η χρήση της σε διαχρονικές μελέτες δεν έχει ακόμη διερευνηθεί εκτενώς. Είναι σημαντικό να αναφερθεί, ότι η άμεση εφαρμογή των μεθόδων NMF σε εικόνες που περιέχουν τόσο θετικά όσο και αρνητικά μέρη, δεν είναι απλή. Οι αλλαγές στον εγκέφαλο μπορεί να είναι τέτοια σήματα (π.χ. ταυτόχρονη μείωση των περιφερειακών όγκων της φαιάς ή της λευκής ουσίας και αύξηση των υπερπυκνώσεων της λευκής ουσίας του ΕΝΥ). Εδώ, προτείνουμε μια ημιπαραλλαγή της opNMF (semi-opNMF) και μια τροποποίηση της εισόδου για την κλασική opNMF μέθοδο που καλύπτουν αυτό το μεθοδολογικό κενό, στο πλαίσιο της χαρτογράφησης διαχρονικών εγκεφαλικών αλλαγών. Τόσο το μοντέλο semi-opNMF όσο και το τροποποιημένο κλασικό opNMF μαθαίνουν και εξάγουν τμηματικές αναπαραστάσεις καθοδηγούμενες από τα ηλικιακά διαχρονικά μοτίβα δομικής συνδιακύμανσης (LPSC) στα δεδομένα, υπό την υπόθεση ότι τα εν λόγω μοτίβα μπορεί να αντανακλούν εξελισσόμενες νευροπαθολογικές διεργασίες που επηρεάζουν ταυτόχρονα τις περιοχές του εγκεφάλου. Έχουμε αποδείξει εμπειρικά ότι το μοντέλο semi-opNMF μπορεί να συγκλίνει γρήγορα σε ένα ολικό ή τοπικό βέλτιστο και να αποκτήσει υψηλή αραιότητα για κλινική ερμηνευσιμότητα. Τα εξαγόμενα LPSCs συσχετίστηκαν σε μεγάλο βαθμό με διάφορα κλινικές μεταβλητές στην ADNI και την BLSA. Επιπλέον, οι LPSCs είχαν συγκρίσιμη προγνωστική ισχύ με ορισμένους από τους διαθέσιμους βιοδείκτες MCI και AD τελευταίας τεχνολογίας και είχαν μεγαλύτερη ισχύ στην ταξινόμηση ασθενών με προοδευτική MCI και σταθερή MCI από ό,τι άλλες ευρέως χρησιμοποιούμενες εξαγόμενες περιοχές. Το προτεινόμενο μοντέλο παρουσιάζει μεγάλες δυνατότητες στη διαχρονική ανάλυση με σήματα μικτού προσήμου και προάγει την κλινική ερμηνευσιμότητα. el
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Σταφυλοπάτης, Ανδρέας-Γεώργιος el
heal.committeeMemberName Στάμου, Γεώργιος el
heal.committeeMemberName Νικήτα, Κωνσταντίνα el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών el
heal.academicPublisherID ntua
heal.numberOfPages 217 σ.
heal.fullTextAvailability false


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα