Анализ на аномалии и визуализация данных. МРТ головного мозга

Сентябрь 9, 2022

Главная
Медицина
Анализ на аномалии и визуализация данных. МРТ головного мозга

Содержание

2. Введение Объемы данных, получаемых медиками для постановки диагноза и лечения пациенту, а также сложность задач, возникающих
3. Введение Нейрофизиология, как и любые медицинские исследования, представляют собой обширную сферу для применения методов машинного обучения.
4. Актуальность Физиологические и функциональные изменения в головном мозге происходят намного раньше, прежде чем проявится очевидная для
5. Исходные данные Для исследования Санкт-Петербургским научно-исследовательским психоневрологическим институтом имени В. М Бехтерева были предоставлены данные о
6. Исходные данные Все данные изначально размечены на четыре группы по заболеваниям: Пациенты, страдающие болезнью Альцгеймера Страдающие
7. Необходимые параметры Для данных заболеваний врачи принимают во внимание следующие параметры каждой структуры мозга: Количество белого
8. Выбор методов для визуализации Целью исследования является нахождение метода понижения размерности, который наиболее точно сохранит и
9. Визуализация Серые точки - страдающие болезнью Альцгеймера Желтые точки - страдающие сосудистой деменцией Синие точки -
10. Височная доля PCA ICA t-SNE MDS NMF LDA
11. Теменная доля PCA ICA t-SNE MDS NMF LDA
12. Лобная доля PCA ICA t-SNE MDS NMF LDA
13. Insula PCA ICA t-SNE MDS NMF LDA
14. Затылочная доля PCA ICA t-SNE MDS NMF LDA
15. Лимбическая система PCA ICA t-SNE MDS NMF LDA
16. LDA 2 components Лобная доля Инсула Лимбическая система Затылочная доля Теменная доля Височная доля
17. Анализ на аномалии данных гиппокампа Визуализация с помощью PCA Найденные аномалии с помощью DBSCAN Общее распределение
18. Анализ на аномалии данных парагиппокампальной извилины Визуализация с помощью PCA Найденные аномалии с помощью DBSCAN Общее
19. Анализ полученных результатов Метод понижения размерности LDA сохраняет больше информации о классах больных. Попытки визуализации данных
21. Скачать презентацию

Слайд 2

Введение
Объемы данных, получаемых медиками для постановки диагноза и лечения пациенту, а

также сложность задач, возникающих в нейрофизиологии, неуклонно растет

Слайд 3

Введение
Нейрофизиология, как и любые медицинские исследования, представляют собой обширную сферу для

применения методов машинного обучения.

Слайд 4

Актуальность
Физиологические и функциональные изменения в головном мозге происходят намного раньше,

прежде чем проявится очевидная для конкретного заболевания симптоматика. В связи с этим, анализ цифровых данных, полученных при магнитно-резонансной томографии, представляет большой интерес.

Слайд 5

Исходные данные
Для исследования Санкт-Петербургским научно-исследовательским психоневрологическим институтом имени В. М Бехтерева

были предоставлены данные о 139 пациентах. Данные получены с помощью обработки МРТ программным пакетом FreeSurfer , который для каждой структуры мозга вычисляет необходимые для исследования параметры.

Слайд 6

Исходные данные
Все данные изначально размечены на четыре группы по заболеваниям:
Пациенты, страдающие

болезнью Альцгеймера
Страдающие сосудистой деменцией
Страдающие депрессией
Контрольная группа.

Слайд 7

Необходимые параметры
Для данных заболеваний врачи принимают во внимание следующие параметры каждой

структуры мозга:
Количество белого вещества
Количество серого вещества
Средняя толщина
Площадь поверхности.
Значения каждого из этих параметров берутся для левой и правой структуры головного мозга соответственно. Каждая структура относится к определенной доле мозга: лобная, теменная, затылочная, височная, инсула, гиппокамп.

Слайд 8

Выбор методов для визуализации
Целью исследования является нахождение метода понижения размерности, который

наиболее точно сохранит и отобразит связь между классами пациентов с перечисленными заболеваниями.
Среди множества методов снижения размерности были выделены следующие:
Метод анализа главных компонент
Метод анализа независимых компонент
Стохастическое вложение соседей с t-распределением
Многомерное шкалирование
Линейный дискриминантный анализ
Неотрицательное матричное разложение

Слайд 9

Визуализация
Серые точки - страдающие болезнью Альцгеймера
Желтые точки - страдающие сосудистой деменцией
Синие

точки - страдающие депрессией
Красные - контрольная группа

Слайд 10

Височная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 11

Теменная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 12

Лобная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 13

Insula
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 14

Затылочная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 15

Лимбическая система
PCA
ICA
t-SNE
MDS
NMF
LDA

Слайд 16

LDA 2 components
Лобная доля
Инсула
Лимбическая система
Затылочная доля
Теменная доля
Височная доля

Слайд 17

Анализ на аномалии данных гиппокампа
Визуализация с помощью PCA
Найденные аномалии с помощью

DBSCAN

Общее распределение больных

Распределение в аномальных точках

Слайд 18

Анализ на аномалии данных парагиппокампальной извилины
Визуализация с помощью PCA
Найденные аномалии с

помощью DBSCAN

Общее распределение больных

Распределение в аномальных точках

Слайд 19

Анализ полученных результатов
Метод понижения размерности LDA сохраняет больше информации о классах

больных.
Попытки визуализации данных о каждой доле мозга с помощью методов понижения размерности не столь эффективны, сколько анализ каждой структуры мозга отдельно.
С помощью плотностного алгоритма кластеризации можно качественно детектировать аномалии в нейрофизиологических данных.
В составе аномальных точек в основном больные из указанных категорий и лишь редко из контрольной группы, что говорит о целесообразности использования этого метода анализа данных.

Анализ на аномалии и визуализация данных. МРТ головного мозга

Содержание

ВведениеОбъемы данных, получаемых медиками для постановки диагноза и лечения пациенту, а

ВведениеНейрофизиология, как и любые медицинские исследования, представляют собой обширную сферу для

Актуальность Физиологические и функциональные изменения в головном мозге происходят намного раньше,

Исходные данныеДля исследования Санкт-Петербургским научно-исследовательским психоневрологическим институтом имени В. М Бехтерева

Исходные данныеВсе данные изначально размечены на четыре группы по заболеваниям:Пациенты, страдающие

Необходимые параметрыДля данных заболеваний врачи принимают во внимание следующие параметры каждой

Выбор методов для визуализацииЦелью исследования является нахождение метода понижения размерности, который

ВизуализацияСерые точки - страдающие болезнью АльцгеймераЖелтые точки - страдающие сосудистой деменциейСиние

Височная доляPCAICAt-SNEMDSNMFLDA

Теменная доляPCAICAt-SNEMDSNMFLDA

Лобная доляPCAICAt-SNEMDSNMFLDA

InsulaPCAICAt-SNEMDSNMFLDA

Затылочная доляPCAICAt-SNEMDSNMFLDA

Лимбическая системаPCAICAt-SNEMDSNMFLDA

LDA 2 componentsЛобная доляИнсулаЛимбическая системаЗатылочная доляТеменная доляВисочная доля

Анализ на аномалии данных гиппокампаВизуализация с помощью PCAНайденные аномалии с помощью

Анализ на аномалии данных парагиппокампальной извилиныВизуализация с помощью PCAНайденные аномалии с

Анализ полученных результатовМетод понижения размерности LDA сохраняет больше информации о классах

Похожие презентации