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 |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: