Application of multimodal machine Learning methods for studying the heterogeneity of brain ageing using neuroimaging and genetic data

DSpace/Manakin Repository

Show simple item record

dc.contributor.author Αϊδίνης, Γεώργιος el
dc.contributor.author Aidinis, George en
dc.date.accessioned 2022-10-27T07:13:56Z
dc.date.available 2022-10-27T07:13:56Z
dc.identifier.uri https://dspace.lib.ntua.gr/xmlui/handle/123456789/56020
dc.identifier.uri http://dx.doi.org/10.26240/heal.ntua.23718
dc.rights Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα *
dc.rights.uri http://creativecommons.org/licenses/by-nc/3.0/gr/ *
dc.subject Νόσος Αλτσχάιμερ el
dc.subject ́Ηπια Νοητική Διαταραχή el
dc.subject Βαθειά Νευρωνική Μάθηση el
dc.subject Μηχανική Μάθηση el
dc.subject Data Analysis el
dc.subject Classification el
dc.subject Deep Canonical Correlation Analysis el
dc.subject Non- Nega- tive Matrix Factorization
dc.subject Correspondence Analysis
dc.subject Radiomics
dc.subject Alzheimer’s Disease
dc.subject Mild Cognitive Impairment
dc.subject Νευροεκφυλιστικές ασθένειες
dc.subject Νόσος Αλτσχάιμερ
dc.subject Μεθοδολογία Πολυτροπικής Μηχανικής Μάθησης
dc.title Application of multimodal machine Learning methods for studying the heterogeneity of brain ageing using neuroimaging and genetic data en
dc.title Ανάπτυξη μεθοδολογιών Πολυτροπικής Μηχανικής Μάθησης για τη μελέτη της ετερογένειας της γήρανσης του εγκεφάλου με βάση απεικονιστικά και γενετικά δεδομένα el
dc.contributor.department Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας (BIOSIM) el
heal.type bachelorThesis
heal.classification Τεχνητή Νοημοσύνη el
heal.classification Artificial Intelligence en
heal.classification Βιοϊατρική Μηχανική el
heal.classification Biomedical Engineering en
heal.language en
heal.access free
heal.recordProvider ntua el
heal.publicationDate 2022-06-29
heal.abstract Η νόσος Αλτσχάιμερ είναι το αντικείμενο ολοένα και περισσότερων μελετών, αφού αποτελεί μια από τισ σημαντικότερες νευροεκφυλιστικές ασθένειες. Η χρήση υπολογιστικών μεθόδων για την διάγνωση, την μελέτη αλλά και την αντιμετώπιση της νόσου γνωρίζει ραγδαία ανάπτυξη. Οι σύγχρονες μέθοδοι χρησιμοποιούν πολυτροπικά δεδομένα, με ιδιαίτερη έμφαση σε απεικονιστικά και γενετικά δεδομέαν. Για την αποτύπωση, την επεξεργασία, τον μετασχηματισμό, αλλά και την κατηγοριοποίηση των δεδομένων εφαρμόζονται, ως επί το πλείστον, μέθοδοι μηχανικής μάθησης. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, διερευνούνται εκτενώς διαφορετικές μέθοδοι ανάλυσης δεδομένων, μηχανικής μάθησης αλλά και βαθειάς νευρωνικής μάθησης, καθώς και οι μεταξύ τους συνδυασμοί για την κατηγοριοποίηση δεδομένων από το σύνολο δεδομένων Alzheimer’s Disease Neuroimaging Initiative που προέρχεται από πάσχοντες από νόσο Αλτσχάιμερ, άτομα με ήπια νοητική διαταραχή, και φυσιολογικά άτομα. Το σύνολο δεδομένων περιέχει απεικονιστικά και γενετικά δεδομένα από 1302 συμμετέχοντες. Εξετάζονται μέθοδοι ανάλυσησ δεδομένων, περιλαμβανομένων των Deep Canonical Correlation Analysis, Multiple Correspondence Analysis, Orthonormal Projective Non-Negative Matrix Factorisation και Factor Analysis of Mixed Data. Για την κατηγοριοποίηση των δεδομένων χρησιμοποιήθηκαν Support Vector Machines καθώς και μέθοδοιι Ensemble Classifiers. Τα μοντέλα που προέκυψαν από τους συνδυασμούς των παραπάνω μεθόδων, αξιολογήθηκαν ως προς την ακρίβεια, το F1 score, και την εξισορροπημένη ακρίβειά τους. Παρατίθεται συγκριτική αξιολόγηση και σχολιασμός των αποτελεσμάτων καθώς και προτάσεις μελλοντικής έρευνας. el
heal.abstract Alzheimer’s Disease (AD) is the subject of an increasing number of studies, as it is the most common cause of dementia — a continuous decline in thinking, behavioral and social skills that affects a person’s ability to function independently. The use of computational methods for the diagnosis, study, and treatment of Alzheimer’s disease has enjoyed rapid growth. Currently, machine learning methods are applied for the visualization, processing, transformation, and classification of data related to the disease. Modern methods utilize multi modal data, with particular emphasis on imaging and genetic data. In this Thesis, the use of a multitude of data analysis and Machine and deep learning methods is investigated in order to classify data from the Alzheimer’s Disease Neuroimaging Initiative dataset into AD patients, mild cognitive impairment patients, and cognitive normal people. The dataset contains imaging and genetic data from 1302 participants. in the present Thesis, the performance of Data Analysis methods including Deep Canonical Correlation Analysis, Multiple Correspondence Analysis, Orthonormal Projective Non-Negative Matrix Factorisation and Factor Analysis of Mixed Data is presented, along with the performance of classification methods including Support Vector Machines and Ensemble Classifier methods. Various combinations of these methods were evaluated in terms of accuracy, F1 Score and balanced accuracy. The results of the study are comparatively presented and future directions are discussed. en
heal.advisorName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Νικήτα, Κωνσταντίνα el
heal.committeeMemberName Ανδρέας-Γεώργιος, Σταφυλοπάτης el
heal.committeeMemberName Γεώργιος, Στάμου el
heal.academicPublisher Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών el
heal.academicPublisherID ntua
heal.numberOfPages 107 σ. el
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 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα