Dissertação
{en_GB=Deep learning of dynamic functional connectivity states during sleep and epilepsy using simultaneous EEG-fMRI} {} EVALUATED
{pt=A Conectividade Funcional (CF) estimada a partir de imagens de ressonância magnética funcional constitui uma métrica promissora para investigar a organização intrínseca do cérebro. Considerando a sua modulação pelo nível de vigilância e por patologias, têm sido propostos classificadores de estadios do sono e de doenças neurológicas baseados em métricas de CF. A análise da CF dinâmica e a transição de métodos convencionais de aprendizagem automática para técnicas de deep learning constituem duas tendências actuais neste domínio que foram exploradas neste trabalho. Primeiramente, foram aplicadas Convolutional Neural Networks (CNNs) para classificar estadios de sono a nível individual, considerando o sucesso de métodos convencionais obtido em estudos anteriores. Este método foi posteriormente aplicado num contexto exploratório envolvendo a classificação de estados epilépticos a nível individual e de grupo, bem como na classificação em novos doentes. Neste último problema, foram ainda investigadas estratégias de dataset augmentation e de transfer learning. Relativamente à classificação de estadios de sono, a aplicação de CNNs permitiu obter exactidões superiores a 80%; contudo, o melhor desempenho foi obtido utilizando uma rede neuronal não profunda. No contexto da epilepsia, o mesmo modelo produziu resultados semelhantes a nível individual e de grupo. Uma comparação sistemática com Support Vector Machines revelou um desempenho equivalente, apesar das desvantagens ao nível do custo computacional e da interpretação. Relativamente à classificação em novos doentes, a capacidade de generalização dos classificadores implementados foi limitada pela considerável variabilidade interindividual. O acesso a datasets mais extensos é essencial para validar as técnicas propostas nesta dissertação., en=Functional Connectivity (FC) estimated from functional Magnetic Resonance Imaging (fMRI) data has emerged as a powerful metric to investigate the brain’s intrinsic organization. Since it is modulated by the level of arousal and by disease, FC-based classifiers targeting sleep staging and diagnosis of brain disorders have been proposed. Emerging trends in this context include the estimation of dynamic Functional Connectivity (dFC) features and the transition from conventional machine learning methods to deep learning, both explored in the present work. The starting point was the application of Convolutional Neural Networks (CNNs) to classify sleep stages at individual level, provided the success of conventional classifiers reported by previous works. Subsequently, that method was extended to an exploratory scenario comprising the classification of epileptic states at individual and group levels, as well as in a single-subject classification scenario. In the latter, dataset augmentation and transfer learning strategies were also investigated. In the sleep staging problem, the implementation of different CNN architectures resulted in balanced accuracies over 80%; however, the best performance was obtained using a shallow neural network. Similar results were obtained when applying this model to the epilepsy scenario at both individual and group levels. A systematic comparison with Support Vector Machines (SVMs) revealed an equivalent performance but presented some drawbacks in terms of computational cost and interpretation. In the single-subject classification scenario, however, the significant inter-subject variability compromised the generalization ability of the tested classifiers. Further validation of the implemented deep learning methods is largely dependent on an increased data availability. }
novembro 21, 2018, 14:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Patrícia Margarida Piedade Figueiredo
Departamento de Bioengenharia (DBE)
Professor Auxiliar
