Egils Avots kaitseb doktoritööd „Brain Abnormality Detection Using Statistical Analysis of Individual Structural Connectivity Networks and EEG Signals“

15. detsembril kell 12.15 kaitseb Egils Avots füüsikalise infotehnoloogia erialal doktoritööd „Brain Abnormality Detection Using Statistical Analysis of Individual Structural Connectivity Networks and EEG Signals“ („Aju ebanormaalsuse tuvastamine individuaalsete struktuuriliste ühenduvuse võrkude ja EEG signaali statistilise analüüsi abil“).

Juhendajad:
professor Gholamreza Anbarjafari, Tartu Ülikool
kaasprofessor Maie Bachmann, Tallinna Tehnikaülikool

Oponent:
professor Aušra Saudargiene, Leedu Terviseteaduste Ülikool

Kokkuvõte

Aju kõrvalekalded avalduvad anatoomiliste või funktsionaalsete muutustena, mis võivad ilmneda sünnist saati või tekkida hiljem trauma, haiguse või muude asjaolude tõttu. Need esinevad muutustena konkreetsete ajupiirkondade suuruses ja struktuuris ning neuronaalses aktiivsuses või ühenduvuses. See doktoritöö käsitleb Alzheimeri tõve ja kliinilise depressiooniga seotud aju kõrvalekaldeid, mis on mõõdetavad tänapäevaste ajukuvameetoditega (MRI ja EEG). Doktoritöö tutvustab esialgu lugejale Alzheimeri tõve ja kliinilise depressiooni eripärasid, seonduvaid töid, annab ülevaate MRI ja EEG tehnoloogiatest, masinõppest, andmekogumiku kirjeldusest ning jätkub kolme peatükiga, mis kirjeldavad läbi viidud uuringuid.

Uurimuses kasutati MRI ajukuvapilte ADNI andmebaasist ning aju mustrite muutused jäädvustati histogrammidena. Neid histogramme kasutati terviklike kognitiivsete võimetega ja Alzheimeri tõvega inimeste eristamiseks mitmete klassifikaatorite kaudu. Esimene uuring näitas, et ühendades konkreetsete lõikude histogramme ja kasutades häälteenamuse algoritmi, on võimalik MRI piltide alusel lõike klassifitseerida. Hiljem laiendati uuringut laiendati histogrammi deskriptorite ja eeltreenitud närvivõrgustike närvivõrkude kasutamisega, et tunnused eraldada, ning uuriti Alzheimeri tõve klassifitseerimist uuriti kolme MRI tasandiga.Parimad klassifitseerimistulemused näitasid ka igas tasapinnas asuvaid optimaalsemaid lõike asukohti.

Järgmine uuring näitas, kuidas EEG salvestustest eraldatud lineaarseid ja mittelineaarseid tunnuseid (saadud Tallinna Tehnikaülikoolist) kasutati kogumi konfiguratsioonis kliinilise depressiooniga patsientide klassifitseerimiseks. Tunnuste valiku meetodite – ühemõõtmeliste tunnuste järjestamine (univariate feature ranking), häälteenamus (majority voting) ja klassifikaatorite kaalutud kogum (weighted ensemble of classifiers) – abil saavutati järjepidevalt head tulemused. Doktoritöö tulemused näitavad, et masinõpet ja EEG andmeid on võimalik kasutada neuroloogiliste haiguste täpseks tuvastamiseks ja klassifitseerimiseks. Väljatöötatud lähenemisviisi täiendavaks kinnitamiseks on vaja rohkem kliiniliselt usaldusväärseid andmeid.

Kaitsmist saab vaadata ka Zoomis aadressil https://ut-ee.zoom.us/j/9530588152?pwd=ZzgzMjY4YytzUkZ5aVRCd2pOdVNQQT09 (kohtumise ID: 953 058 8152, pääsukood: kaitsmine).