|
|
Detection of High-Frequency EEG Activity in Epileptic Patients
Cimbálník, Jan ; Kremláček, Jan (referee) ; Jiruška,, Přemysl (referee) ; Jurák, Pavel (advisor)
Tato práce se zabývá automatickou detekcí vysokofrekvenčních oscilací jakožto moderního elektrofyziologického biomarkru epileptogenní tkáně v intrakraniálním EEG, jehož vizuální detekce je zdlouhavý proces, který je ovlivněn subjektivitou hodnotitele. Epilepsie je jedním z nejčastějších neurologických onemocnění postihující 1 % obyvatelstva. Přestože jsou přibližně dvě třetiny případů léčitelné farmakologicky, zbylá třetina pacientů je odkázána zejména na léčbu chirurgickým zákrokem, pro nějž je zapotřebí přesně lokalizovat ložisko patologické tkáně. Vysokofrekvenční oscilace jsou v posledním desetiletí studovány pro jejich potenciál lokalizace patologické tkáně. Součástí této práce je shrnutí dosavadního výzkumu vysokofrekvenčních oscilací a výčet detektorů používaných ve výzkumu. V rámci práce byly vyvinuty či vylepšeny tři detektory vysokofrekvenčních oscilací, na jejichž popis navazuje evaluace z hlediska shody s manuální detekcí, přesnosti výpočtu příznaků oscilací a schopnosti lokalizace patologické tkáně. V závěru práce jsou představeny vyvinuté metody vizualizace vysokofrekvenčních výskytu oscilací a stručně uvedeny dosažené vědecké výsledky.
|
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (referee) ; Mehnen, Lars (advisor)
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.
|
|
|
Implementation of new method to machine learning model for epileptogenic zone localization in pharmacoresistant epilepsy patients
Pivnička, Martin ; Mívalt, Filip (referee) ; Filipenská, Marina (advisor)
The bachelor thesis describes the issue of the epileptogenic tissue localization considering pacients with drug-resistant epilepsy. The first half of the theoretical part discusses the matter of epilepsy and its treatment. It describes the principle of electroencephalographic measurement and its contribution to epileptology as well as multiple foci localization approaches. The second theoretical part shows machine learning basics and its use for epilepsy treatment. The practical part starts with the description of steps needed to create the gamma method. It continues with the statistical analysis of the method. This analysis contains both gamma method alone and as a part of existing machine learning algorithm. It has been shown that the gamma method is a valuable specific parameter for localizing epileptic foci. Its addition to the machine learning model did not lead to a significant improvement in the performance of the model.
|
|
|
Unsupervised Deep Learning Approach for Seizure Onset Zone localization in Epilepsy
Přidalová, Tereza ; Cimbálník, Jan (referee) ; Mehnen, Lars (advisor)
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.
|
|
|
Detection of High-Frequency EEG Activity in Epileptic Patients
Cimbálník, Jan ; Kremláček, Jan (referee) ; Jiruška,, Přemysl (referee) ; Jurák, Pavel (advisor)
Tato práce se zabývá automatickou detekcí vysokofrekvenčních oscilací jakožto moderního elektrofyziologického biomarkru epileptogenní tkáně v intrakraniálním EEG, jehož vizuální detekce je zdlouhavý proces, který je ovlivněn subjektivitou hodnotitele. Epilepsie je jedním z nejčastějších neurologických onemocnění postihující 1 % obyvatelstva. Přestože jsou přibližně dvě třetiny případů léčitelné farmakologicky, zbylá třetina pacientů je odkázána zejména na léčbu chirurgickým zákrokem, pro nějž je zapotřebí přesně lokalizovat ložisko patologické tkáně. Vysokofrekvenční oscilace jsou v posledním desetiletí studovány pro jejich potenciál lokalizace patologické tkáně. Součástí této práce je shrnutí dosavadního výzkumu vysokofrekvenčních oscilací a výčet detektorů používaných ve výzkumu. V rámci práce byly vyvinuty či vylepšeny tři detektory vysokofrekvenčních oscilací, na jejichž popis navazuje evaluace z hlediska shody s manuální detekcí, přesnosti výpočtu příznaků oscilací a schopnosti lokalizace patologické tkáně. V závěru práce jsou představeny vyvinuté metody vizualizace vysokofrekvenčních výskytu oscilací a stručně uvedeny dosažené vědecké výsledky.
|
guest ::
