Original title:
Graph Neural Networks in Epilepsy Surgery
Translated title:
Graph Neural Networks in Epilepsy Surgery
Authors:
Hrtoňová, Valentina ; MSc, Daniel Uher, (referee) ; Filipenská, Marina (advisor) Document type: Master’s theses
Year:
2024
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Úspěch epileptochirurgického zákroku závisí na přesné lokalizaci epileptogenní zóny (EZ), avšak pouze 60% pacientů je po operaci bez záchvatů, což je často způsobeno nepřesnou identifikací EZ. Tato práce představuje novou metodu lokalizace EZ využívající grafové neuronové sítě (GNN) k analýze interiktálních biomarkerů - konkrétně interiktálních spiků a relativní entropie. Modely GNN byly využity pro lokalizaci kontaktů elektrod v resekované zóně vzniku záchvatu na základě dat z interiktální stereoelektroencefalografie a validovány na souboru klinických dat 37 pacientů ze dvou institucí. Nejlépe hodnocený model GNN - Graph Attention Network - dosáhl mediánu Area Under the Receiver Operating Characteristic (AUROC) 0,971 a mediánu Area Under the Precision-Recall Curve (AUPRC) 0,525 v souboru 19 pacientů s dobrým pooperačním výsledkem, přičemž v obou metrikách statisticky významně překonal referenční model založený na četnosti spiků (Wilcoxon Signed Rank test, p
Successful epilepsy surgery relies on precise localization of the epileptogenic zone (EZ), yet only about 60% of patients become seizure-free post-surgery often due to inaccurate EZ identification. This thesis presents a novel method for EZ localization using Graph Neural Networks (GNNs) to analyze interictal biomarkers, specifically interictal spikes and relative entropy. The GNN models were used to localize resected seizure-onset zone electrode contacts based on interictal stereoelectroencephalography data, validated on a clinical dataset of 37 patients from two institutions. The best-performing GNN model - Graph Attention Network - scored a median Area Under the Receiver Operating Characteristic (AUROC) of 0.971 and a median Area Under the Precision-Recall Curve (AUPRC) of 0.525 across a cohort of 19 patients with a good surgical outcome, significantly outperforming a benchmark model based on spike rates (Wilcoxon Signed Rank test, p
Keywords:
deep learning; epilepsie; epileptogenní zóna; grafové neuronové sítě; intrakraniální EEG; predikce pooperačního výsledku; zpracování signálů; zóna počátku záchvatu; deep learning; epilepsy; epileptogenic zone; graph neural networks; intracranial EEG; postsurgical outcome prediction; seizure-onset zone; signal processing
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: https://hdl.handle.net/11012/246221