|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (oponent) ; Mehnen, Lars (vedoucí práce)
Epilepsy affects about 50 million people worldwide, with one-third of patients being drugresistant and therefore candidates for an invasive brain resection surgery. Brain resection surgery candidates undergo invasive intracranial encephalography (iEEG) monitoring to determine the seizure onset zone (SOZ). Recorded data can span over weeks and need to be manually reviewed by a physician to assess SOZ. This process can be time-consuming and burdensome due to the vast amount of collected data. This work investigates utilisation of an deep autoencoder for unsupervised data exploration and specifically its ability to discriminate between SOZ and non-SOZ (NSOZ) iEEG channels. The data used in this thesis consists of iEEG collected from 33 patients in two institutes (Mayo Clinic, Rochester, Minnesota, USA and St. Anne´s University Hospital, Brno, Czech Republic - FNUSA) who underwent invasive presurgical monitoring. The autoencoder’s capability to discriminate between SOZ and NSOZ was evaluated using a self-learned embedded feature space representation of the autoencoder network. Autoencoder features were compared to previously established biomarkers for SOZ determination. Discrimination capability was evaluated for both autoencoder features and biomarkers using a Naive Bayes classifier and leave-one-out cross-validation. The achieved area under receiver operating characteristic curve (AUROC) was 0.68 for the FNUSA and 0.56 for the Mayo dataset. Performance in discriminating between SOZ and NSOZ electrodes was not significantly different between the investigated autoencoder features and previously established biomarkers. Selecting the better performing classifier for each patient increased the AUROC to 0.75 and 0.64 for the FNUSA and Mayo dataset, respectively. The results suggest that future approaches combining biomarkers and self-learning methods have a potential to improve the SOZ vs NSOZ discrimination capability of unsupervised iEEG exploration systems, and thus to enhance the surgical management of epilepsy.
|
|
|
Optimizing neural network architecture for EEG processing using evolutionary algorithms
Pijáčková, Kristýna ; Maršálek, Roman (oponent) ; Götthans, Tomáš (vedoucí práce)
This thesis deals with an optimization of neural network hyperparameters for EEG signal processing using evolutionary algorithms. The incorporation of evolutionary optimization can reduce reliance on human intuition and empirical knowledge when designing neural network and can thus make the process design more effective. In this work, a genetic algorithm was proposed that is suitable for hyperparameters optimization as well as neural architecture search. These methods were compared to a benchmark model designed by an engineer with expertise in iEEG processing. Data used in this work are classified into four categories and come from St. Anne's University Hospital (SAUH) and Mayo Clinic (MAYO) and were recorded on drug-resistant epileptic patients undergoing pre-surgical examination. The results of the neural architecture search method were comparable with the benchmark model. The hyperparameter optimization improved the F1 score over the original, empirically designed, model from 0.9076 to 0.9673 for the SAUH data and 0.9222 to 0.9400 for the Mayo Clinic data. The increased scores were mainly due to the increased accuracy of the classification of pathological events and noise, which may have further positive implications in applications of this model in seizure and noise detectors.
|
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (oponent) ; Mehnen, Lars (vedoucí práce)
Epilepsy affects about 50 million people worldwide, with one-third of patients being drugresistant and therefore candidates for an invasive brain resection surgery. Brain resection surgery candidates undergo invasive intracranial encephalography (iEEG) monitoring to determine the seizure onset zone (SOZ). Recorded data can span over weeks and need to be manually reviewed by a physician to assess SOZ. This process can be time-consuming and burdensome due to the vast amount of collected data. This work investigates utilisation of an deep autoencoder for unsupervised data exploration and specifically its ability to discriminate between SOZ and non-SOZ (NSOZ) iEEG channels. The data used in this thesis consists of iEEG collected from 33 patients in two institutes (Mayo Clinic, Rochester, Minnesota, USA and St. Anne´s University Hospital, Brno, Czech Republic - FNUSA) who underwent invasive presurgical monitoring. The autoencoder’s capability to discriminate between SOZ and NSOZ was evaluated using a self-learned embedded feature space representation of the autoencoder network. Autoencoder features were compared to previously established biomarkers for SOZ determination. Discrimination capability was evaluated for both autoencoder features and biomarkers using a Naive Bayes classifier and leave-one-out cross-validation. The achieved area under receiver operating characteristic curve (AUROC) was 0.68 for the FNUSA and 0.56 for the Mayo dataset. Performance in discriminating between SOZ and NSOZ electrodes was not significantly different between the investigated autoencoder features and previously established biomarkers. Selecting the better performing classifier for each patient increased the AUROC to 0.75 and 0.64 for the FNUSA and Mayo dataset, respectively. The results suggest that future approaches combining biomarkers and self-learning methods have a potential to improve the SOZ vs NSOZ discrimination capability of unsupervised iEEG exploration systems, and thus to enhance the surgical management of epilepsy.
|
|
|
Funkční a strukturální konektivita lidského neokortexu v epileptochirurgii
Šulc, Vlastimil ; Hořínek, Daniel (vedoucí práce) ; Doležalová, Irena (oponent) ; Tintěra, Jaroslav (oponent)
1 ABSTRAKT Předkládaný autoreferát dizertační práce se zabývá prognostickými faktory ovlivňujícími příznivý pooperační výsledek u pacientů podstupujících chirurgickou léčbu epilepsie a možnostmi vylepšení používaných metod při lokalizaci epileptogenní léze. Tato práce vychází z výsledků čtyř publikovaných studií. První studie se zabývala hodnocením faktorů ovlivňujících dlouhodobé výsledky epileptochirurgických výkonů u MRI-negativní (nelezionální) extratemporální epilepsie (nETLE). Cílem práce bylo zhodnotit přínos neinvazivních diagnostických testů a jejich souvislost s příznivým chirurgickým výsledkem ve skupině pacientů s nETLE. Pomocí univariační analýzy bylo prokázáno, že lokalizované interiktální epileptiformní výboje (IED) na skalpovém EEG byly spojeny s příznivým chirurgickým výsledkem. Diagnostickou obtížnosti této skupiny pacientů zdůrazňuje že, ačkoli 9 z 24 pacientů podstupujících resekční výkon mělo příznivý výsledek, a pouze devět z 85 pacientů s nETLE dosáhlo takového příznivého výsledku. Druhá práce se zabývala hodnocením přínosu statistického zpracování SPECT (Jednofotonová emisní tomografie) oproti tradičním metodám hodnocení pomocí prosté subtrakce u pacientů s MRI-negativní fokální epilepsií temporálního laloku (nTLE) a MRI-negativní extratemporální epilepsií (nETLE). Interiktální a...
|
|
|
Funkční a strukturální konektivita lidského neokortexu v epileptochirurgii
Šulc, Vlastimil ; Hořínek, Daniel (vedoucí práce) ; Doležalová, Irena (oponent) ; Tintěra, Jaroslav (oponent)
1 ABSTRAKT Předkládaný autoreferát dizertační práce se zabývá prognostickými faktory ovlivňujícími příznivý pooperační výsledek u pacientů podstupujících chirurgickou léčbu epilepsie a možnostmi vylepšení používaných metod při lokalizaci epileptogenní léze. Tato práce vychází z výsledků čtyř publikovaných studií. První studie se zabývala hodnocením faktorů ovlivňujících dlouhodobé výsledky epileptochirurgických výkonů u MRI-negativní (nelezionální) extratemporální epilepsie (nETLE). Cílem práce bylo zhodnotit přínos neinvazivních diagnostických testů a jejich souvislost s příznivým chirurgickým výsledkem ve skupině pacientů s nETLE. Pomocí univariační analýzy bylo prokázáno, že lokalizované interiktální epileptiformní výboje (IED) na skalpovém EEG byly spojeny s příznivým chirurgickým výsledkem. Diagnostickou obtížnosti této skupiny pacientů zdůrazňuje že, ačkoli 9 z 24 pacientů podstupujících resekční výkon mělo příznivý výsledek, a pouze devět z 85 pacientů s nETLE dosáhlo takového příznivého výsledku. Druhá práce se zabývala hodnocením přínosu statistického zpracování SPECT (Jednofotonová emisní tomografie) oproti tradičním metodám hodnocení pomocí prosté subtrakce u pacientů s MRI-negativní fokální epilepsií temporálního laloku (nTLE) a MRI-negativní extratemporální epilepsií (nETLE). Interiktální a...
|
host ::
RSS.