Πολυτροπική μηχανική μάθηση για την ταξινόμηση γνωστικής Εέκπτωσης με χρήση δεδομένων νευροαπεικόνισης μορφομετρίας και δομικής συνδεσιμότητας

Μπόθος Βουτεράκος, Νικόλαος; Bothos Vouterakos, Nikolaos

dc.contributor.author	Μπόθος Βουτεράκος, Νικόλαος	el
dc.contributor.author	Bothos Vouterakos, Nikolaos	en
dc.date.accessioned	2026-05-28T09:59:55Z
dc.date.available	2026-05-28T09:59:55Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/64768
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.32462
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	Άνοια	el
dc.subject	Ήπια νοητική εξασθένηση	el
dc.subject	Πολυτροπική μάθηση	el
dc.subject	Νευρωνικά δίκτυα γράφων	el
dc.subject	Νευροαπεικόνιση	el
dc.subject	Dementia	en
dc.subject	Mild cognitive impairment	en
dc.subject	Multimodal learning	en
dc.subject	Graph neural networks	en
dc.subject	Neuroimaging	en
dc.title	Πολυτροπική μηχανική μάθηση για την ταξινόμηση γνωστικής Εέκπτωσης με χρήση δεδομένων νευροαπεικόνισης μορφομετρίας και δομικής συνδεσιμότητας	el
heal.type	bachelorThesis
heal.classification	Βιοϊατρική μηχανική	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-02-24
heal.abstract	Η έγκαιρη και αξιόπιστη διάγνωση της γνωστικής έκπτωσης και των νευροεκφυλιστικών νοσημάτων, όπως η νόσος Alzheimer, αποτελεί κρίσιμο ζήτημα της σύγχρονης ιατρικής και βιοϊατρικής μηχανικής. Η παρούσα διπλωματική εργασία διερευνά πολυτροπικές προσεγγίσεις μηχανικής μάθησης για την ταξινόμηση γνωσιακά υγιών ατόμων και ατόμων με νοητική εξασθένηση, βασιζόμενη σε δεδομένα νευροαπεικόνισης της βάσης δεδομένων OASIS-3. Αξιοποιούνται μορφομετρικά χαρακτηριστικά από δομική μαγνητική τομογραφία και γραφικές αναπαραστάσεις δομικής συνδεσιμότητας προερχόμενες από απεικόνιση διάχυσης. Για τα μορφομετρικά δεδομένα εφαρμόζονται κλασικά μοντέλα μηχανικής μάθησης, ενώ για τα δεδομένα συνδεσιμότητας υλοποιούνται αρχιτεκτονικές Νευρωνικών Δικτύων Γράφων. Επιπλέον, εξετάζονται στρατηγικές πολυτροπικής μάθησης (Early, Intermediate και Late Fusion), με στόχο την αξιολόγηση της συμπληρωματικότητας των επιμέρους πηγών δεδομένων. Η αξιολόγηση των μοντέλων πραγματοποιείται με αυστηρό πλαίσιο εμφωλευμένης διασταυρούμενης επικύρωσης και μετρικές που λαμβάνουν υπόψη την ανισορροπία των κλάσεων, όπως Balanced Accuracy και AUC. Τα αποτελέσματα καταδεικνύουν ότι οι πολυτροπικές προσεγγίσεις υπερτερούν των μονοτροπικών, με τη σύντηξη σε επίπεδο απόφασης να επιτυγχάνει τη βέλτιστη απόδοση (Balanced Accuracy 0.771 και AUC 0.840). Από πλευράς ερμηνευσιμότητας, αναδεικνύονται ογκομετρικοί δείκτες δομών του έσω κροταφικού λοβού, όπως ο ιππόκαμπος και η αμυγδαλή, καθώς και δείκτες μικροδομικής διασποράς τύπου Mean Squared Displacement στα δεδομένα συνδεσιμότητας, υπογραμμίζοντας τη συμπληρωματική συμβολή μορφομετρικών και συνδεσμολογικών χαρακτηριστικών. Συνολικά, η εργασία συμβάλλει στην ανάπτυξη αξιόπιστων και ερμηνεύσιμων πολυτροπικών μεθοδολογιών για την υποστήριξη της διάγνωσης της γνωστικής έκπτωσης, αναδεικνύοντας τη σημασία της συνδυαστικής ανάλυσης μορφομετρικών και συνδεσμολογικών χαρακτηριστικών του εγκεφάλου.	el
heal.abstract	Early and reliable diagnosis of cognitive decline and neurodegenerative disorders, such as Alzheimer’s disease, constitutes a critical challenge in modern medicine and biomedical engineering. The present diploma thesis investigates multimodal machine learning approaches for the classification of cognitively healthy individuals and individuals with cognitive impairment, based on neuroimaging data from the OASIS-3 dataset. Morphometric features derived from structural magnetic resonance imaging and graph-based representations of structural brain connectivity obtained from diffusion imaging are utilized. Classical machine learning models are applied to the morphometric data, while Graph Neural Network architectures are implemented for the connectivity data. In addition, multimodal learning strategies (Early, Intermediate, and Late Fusion) are examined in order to evaluate the complementarity of the individual data sources. Model evaluation is conducted within a rigorous nested cross-validation framework using metrics that account for class imbalance, such as Balanced Accuracy and AUC. The results demonstrate that multimodal approaches outperform unimodal models, with decision-level fusion achieving the best performance (Balanced Accuracy 0.771 and AUC 0.840). From an explainability perspective, volumetric markers of medial temporal lobe structures, such as the hippocampus and the amygdala, are highlighted, along with microstructural dispersion measures of the Mean Squared Displacement type in the connectivity data, underscoring the complementary contribution of morphometric and connectomic features. Overall, this work contributes to the development of reliable and interpretable multimodal methodologies for supporting the diagnosis of cognitive impairment, emphasizing the importance of jointly analyzing morphometric and structural connectivity brain characteristics.	en
heal.advisorName	Νικήτα, Κωνσταντίνα	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.committeeMemberName	Βουλόδημος, Αθανάσιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Συστημάτων Μετάδοσης Πληροφορίας και Τεχνολογίας Υλικών. Εργαστήριο Βιοϊατρικών Προσομοιώσεων και Απεικονιστικής Τεχνολογίας	el
heal.academicPublisherID	ntua
heal.numberOfPages	122 σ.	el
heal.fullTextAvailability	false