Analiza strukture možganskih živčnih prog za prognozo multiple sklerozeŠmid, Petra (Avtor) Špiclin, Žiga (Mentor) DULAR, LARA (Komentor) Multipla sklerozamagnetno resonančno slikanjestrukturna povezanost možganovgloboke nevronske mrežegloboko učenjestrojno učenjeprihodnje napredovanje bolezniOpis in motivacija problema: Multipla skleroza (MS) je ena najpogostejših kroničnih avtoimunskih bolezni, ki vpliva na osrednji živčni sistem. Kljub njeni razširjenosti mehanizmi napredovanja bolezni ostajajo slabo raziskani. V zadnjem času napredne tehnike zajemanja in obdelave MR slik, vključno z meritvami strukturne (ne)povezanosti iz difuzijskega MR slikanja, pridobivajo pomen pri napovedovanju bolezni. Te meritve zagotavljajo vpogled v mikrostrukturne in funkcionalne spremembe v možganih ter predstavljajo potencialne biomarkerje za napovedovanje poteka bolezni in oceno učinkov zdravljenja. Naloga je razdeljena na tri sklope. Prvi sklop se osredotoča na optimizacijo časovno zahtevnega orodja za izračun (ne)povezanosti možganskih živčnih prog z uporabo globokega učenja. Cilj je razviti model, ki bi na podlagi vhodnih podatkov o lezijah natančno napovedal metrike (ne)povezanosti, kar bi omogočilo njihovo vključitev v napovedne modele poteka bolezni. Drugi sklop primerja različne modele strojnega učenja in metode izbire značilnic za napovedovanje poteka MS. Cilj je razviti model s primerljivo natančnostjo glede na obstoječo literaturo in oceniti njegovo zmogljivost na raznolikih podatkih. Uspešen model bi lahko postal diagnostično orodje za izboljšanje zdravljenja. V tretjem sklopu ocenjujemo učinkovitost globokega modela iz prvega sklopa z uporabo najboljšega napovednega modela iz drugega sklopa. Primerjamo napovedno moč predvidenih metrik z originalnimi podatki, pridobljenimi z orodjem Lesion Quantification Toolkit (LQT). Metode: Modeliranje orodja LQT za izračun metrike odstotne nepovezanosti možganskih živčnih prog smo izvedli z globoko nevronsko mrežo, ki temelji na arhitekturi rezidualne nevronske mreže (ResNet, ang. Residual Network). Za analizo možnosti napovedovanja napredovanja bolezni MS iz izhoda orodja LQT smo uporabili več klasičnih metod strojnega učenja. Zasnova učenja in vrednotenja napovednih modelov je vključevala tri ključne korake: izbiro relevantnih značilnic, preslikavo prostora značilnic v prostor nižje dimenzije ter metodo razvrščanja. Podatki: Podatki, uporabljeni v magistrski nalogi, izvirajo iz podatkovne zbirke Artificial intelligence in predicting progression in multiple sclerosis study (AI ProMiS), ki je nastala v okviru študije napovedovanja napredovanja prizadetosti pri bolezni multiple skleroze iz magnetno resonančnih (MR) slik. Vsebuje 3D magnetnoresonančne (MR) slike bolnikov z MS ter njihove demografske in klinične podatke. Skupno zajema 1284 T1w in FLAIR MR slik, pridobljenih pri 486 bolnikih, od katerih je 71,3 % ženskega in 28,7 % moškega spola, s povprečno starostjo 39,7 ± 10,3 let. Končni nabor podatkov vključuje metapodatke o bolnikih, kot so starost, spol in vrednosti EDSS, ter pripadajoče izračune odstotne prekinjenosti posameznih možganskih živčnih prog iz anatomskega atlasa HCP-824, pridobljene z uporabo orodja LQT. Razmerje bolnikov s prihodnjim napredovanjem bolezni MS v primerjavi s tistimi brez napredovanja je v tej podatkovni množici 1:4. Rezultati: Pri modeliranju z globokim učenjem je povprečni čas izračuna prekinitve živčnih prog iz binarne maske lezij po učenju modela znašal 0,825 s, kar je bistveno hitreje od 112,5 s pri uporabi orodja LQT. Pri optimalnih hiperparametrih modela ResNet je bila povprečna napaka MAE_AVG 1,50 % na učni in 7,41 % na validacijski množici. Koeficient determinacije med dejanskimi podatki orodja LQT in modelom je dosegel R^2 = 0,75. Pri primerjavi različnih metod za izbiro optimalne podskupine značilnic se je kot najučinkovitejša izkazala metoda s korelacijskim filtrom, saj je v kombinaciji z vsemi štirimi razvrščevalnimi modeli dosegla najboljše rezultate. Najboljši izid je bil dosežen z uporabo korelacijskega filtra skupaj z metodo PCA in razvrščevalnikom po metodi podpornih vektorjev (SVC, ang. Support Vector Classifier), kjer so bile vrednosti metrik uspešnosti razvrščanja naslednje: AUC 0,78, točnost 0,71, občutljivost 0,78 in specifičnost 0,70. Zaključek: Rezultati eksperimentov, izvedenih v okviru te magistrske naloge, so kljub raznoliki zbirki MR slik, ki so bile pridobljene na petih različnih skenerjih iz štirih različnih zdravstvenih inštitucij, primerljivi z najboljšimi rezultati preteklih študij modeliranja z globokim učenjem ter napovedovanja napredovanja MS. Ti rezultati potrjujejo hipotezo, da je mogoče klasična orodja za izračun strukturne (ne)povezanosti možganov optimizirati z globokim učenjem ter da je možno napovedati prihodnje napredovanje bolezni MS na podlagi meritev, pridobljenih s temi orodji.20252025-02-12 15:25:18Magistrsko delo/naloga167276sl