Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI)
Στόχος αυτής της εργασίας είναι η ανάδειξη της Μηχανικής Μάθησης ως πολύτιμο εργαλείο για την κατηγοριοποίηση-διάγνωση ασθενών με αυτισμό. Ο αυτισμός είναι αναπτυξιακή διαταραχή , που χαρακτηρίζεται από μειωμένη κοινωνική αλληλεπίδραση και επικοινωνία, καθώς και από περιορισμένη, επαναλαμβανόμενη κα...
| Κύριος συγγραφέας: | |
|---|---|
| Άλλοι συγγραφείς: | |
| Γλώσσα: | Greek |
| Έκδοση: |
2020
|
| Θέματα: | |
| Διαθέσιμο Online: | http://hdl.handle.net/10889/13527 |
| id |
nemertes-10889-13527 |
|---|---|
| record_format |
dspace |
| spelling |
nemertes-10889-135272022-09-05T05:37:32Z Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) ASD (Autism Spectrum Disorder) diagnosis using machine learning classification on fMRI images Ηλιόπουλος, Ηλίας Iliopoulos, Ilias Μηχανική μάθηση Κατηγοριοποίηση fMRI Λογισμικό WEKA Αυτισμός Machine learning fMRI classification Autism Feature extraction Στόχος αυτής της εργασίας είναι η ανάδειξη της Μηχανικής Μάθησης ως πολύτιμο εργαλείο για την κατηγοριοποίηση-διάγνωση ασθενών με αυτισμό. Ο αυτισμός είναι αναπτυξιακή διαταραχή , που χαρακτηρίζεται από μειωμένη κοινωνική αλληλεπίδραση και επικοινωνία, καθώς και από περιορισμένη, επαναλαμβανόμενη και στερεότυπη συμπεριφορά [1]. Η διάγνωση του βασίζεται αρχικά στις παρατηρήσεις των γονέων και η επίσημη διάγνωση αυτισμού συμφώνα με το Διαγνωστικό και Στατιστικό Εγχειρίδιο των Ψυχικών Διαταραχών (DSM-V) γίνεται μεταξύ 2,6 μέχρι 3,6 ετών. Σε αυτή την εργασία θα γινεί μια προσπάθεια για να εξακριβώσουμε κατά πόσο είναι δυνατόν να γίνει αυτό χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης. H διπλωματική εργασία αποτελείται από δύο μέρη: 1)Το πρώτο μέρος αφορά τη κατηγοριοποίηση με τη βοήθεια των χαρακτηριστικών των FMRI εικόνων των ασθενών. 2)Το δεύτερο μέρος αφορά τη κατηγοριοποίηση των ασθενών με βάση τα δημογραφικά τους στοιχεία (πχ ηλικία , φύλλο , handedness) συμπεριλαμβανομένων και κάποιων τεστ IQ για αυτιστικά άτομα (πχ FIQ, VIQ, PIQ). The purpose of this undergraduate thesis is to enhance the value and utility of Machine Learning for classification-diagnosis of people with autism. Autism is a neurodegenerative disease that comes along with reduced social interaction and communication as well as limited, repetitive and stereotypical behavior. Following parents’ observations of infants and toddlers, the official diagnosis of autism is based on the DSM-V (Diagnostic Criteria Autism Spectrum Disorder) and its usually done between the ages of 2,6 and 3,6 years old.[1] In this thesis we will try to ascertain the fact that diagnosis can be done using Machine Learning techniques. Our thesis is composed of two parts: 1)The first part includes classification attempts using imaging features of fMRI patients. 2)The second part includes classification based on the demographic features (e.g. age, sex, handedness) including some IQ tests specifically for autism (πχ FIQ, VIQ, PIQ). 2020-07-12T12:43:31Z 2020-07-12T12:43:31Z 2020-05-15 http://hdl.handle.net/10889/13527 gr application/pdf |
| institution |
UPatras |
| collection |
Nemertes |
| language |
Greek |
| topic |
Μηχανική μάθηση Κατηγοριοποίηση fMRI Λογισμικό WEKA Αυτισμός Machine learning fMRI classification Autism Feature extraction |
| spellingShingle |
Μηχανική μάθηση Κατηγοριοποίηση fMRI Λογισμικό WEKA Αυτισμός Machine learning fMRI classification Autism Feature extraction Ηλιόπουλος, Ηλίας Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| description |
Στόχος αυτής της εργασίας είναι η ανάδειξη της Μηχανικής Μάθησης ως πολύτιμο εργαλείο για την κατηγοριοποίηση-διάγνωση ασθενών με αυτισμό. Ο αυτισμός είναι αναπτυξιακή διαταραχή , που χαρακτηρίζεται από μειωμένη κοινωνική αλληλεπίδραση και επικοινωνία, καθώς και από περιορισμένη, επαναλαμβανόμενη και στερεότυπη συμπεριφορά [1]. Η διάγνωση του βασίζεται αρχικά στις παρατηρήσεις των γονέων και η επίσημη διάγνωση αυτισμού συμφώνα με το Διαγνωστικό και Στατιστικό Εγχειρίδιο των Ψυχικών Διαταραχών (DSM-V) γίνεται μεταξύ 2,6 μέχρι 3,6 ετών. Σε αυτή την εργασία θα γινεί μια προσπάθεια για να εξακριβώσουμε κατά πόσο είναι δυνατόν να γίνει αυτό χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης. H διπλωματική εργασία αποτελείται από δύο μέρη:
1)Το πρώτο μέρος αφορά τη κατηγοριοποίηση με τη βοήθεια των χαρακτηριστικών των FMRI εικόνων των ασθενών.
2)Το δεύτερο μέρος αφορά τη κατηγοριοποίηση των ασθενών με βάση τα δημογραφικά τους στοιχεία (πχ ηλικία , φύλλο , handedness) συμπεριλαμβανομένων και κάποιων τεστ IQ για αυτιστικά άτομα (πχ FIQ, VIQ, PIQ). |
| author2 |
Iliopoulos, Ilias |
| author_facet |
Iliopoulos, Ilias Ηλιόπουλος, Ηλίας |
| author |
Ηλιόπουλος, Ηλίας |
| author_sort |
Ηλιόπουλος, Ηλίας |
| title |
Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| title_short |
Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| title_full |
Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| title_fullStr |
Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| title_full_unstemmed |
Κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fMRI) |
| title_sort |
κατασκευή συστήματος αναγνώρισης αυτισμού σε εικόνες λειτουργικής απεικόνισης μαγνητικού συντονισμού (fmri) |
| publishDate |
2020 |
| url |
http://hdl.handle.net/10889/13527 |
| work_keys_str_mv |
AT ēliopoulosēlias kataskeuēsystēmatosanagnōrisēsautismouseeikonesleitourgikēsapeikonisēsmagnētikousyntonismoufmri AT ēliopoulosēlias asdautismspectrumdisorderdiagnosisusingmachinelearningclassificationonfmriimages |
| _version_ |
1771297143950147584 |
