Iskanje slikovnih fenotipov možganskih bolezniPRELOŽNIK, DOMEN (Avtor) Špiclin, Žiga (Mentor) nevrološke bolezniumetna inteligencarojenjeMožganske bolezni so zaradi njihovega visokega socio-ekonomskega vpliva in starajoče se populacije dandanes pod vse večjim drobnogledom. Z napredovanjem tako medicine kot tehnologije se je zmožnost pregledovanja in prepoznavanja struktur možganov znatno izboljšala. Tehnologija MRI (angl. magnetic resonance imaging) v kombinaciji z računalniško obdelavo omogoča podrobno analizo, ki jo lahko v prid uporabimo pri proučevanju možganskih bolezni kot so Alzheimerjeva demenca ali multipla skleroza. Demenca predstavlja »kugo 21. stoletja«, saj prizadene ogromno število ljudi, njene posledice pa so nereverzibilne. Bolezen povzroča pospešeno izgubo možganskih nevronov, zaradi česar je pravočasno odkritje bolezni v čim bolj zgodnji fazi nujno za preventivno ukrepanje in čimprejšni začetek zdravljenja. Grupiranje oziroma rojenje (angl. clustering) je tehnika razvrščanja podatkov v prostoru v manjše podprostore oziroma grupe imenovane roji. Namen rojenja je povezati elemente, ki so si med seboj na nek način podobni. Iz rojev lahko izluščimo tipične lastnosti posameznega roja in razlike glede na ostale roje. Poglavitna prednost rojenja je analiza medsebojne podobnosti vzorcev brez specifičnega vnaprejšnjega predznanja o teh vzorcih. Razlika med razvrščanjem in rojenjem je v ravno v tem predznanju, kjer pri razvrščanju podamo tudi željene oznake vzorcev. Izhod rojenja so grupe, katerih lastnosti algoritem prepozna sam. Umetna inteligenca predstavlja zmožnost učenja računalniških sistemov. V tem primeru se računalnik sam nauči pravil glede na opažanja, pri čemer moramo zagotoviti vhodne in izhodne podatke. Primer umetne inteligence je področje globokega učenja, v katerem se računalniški sistemi sami učijo s pomočjo umetnih nevronskih mrež. Umetne nevronske mreže so kompleksen skupek povezav med stikalnimi enotami in predstavljajo poenostavljeno računalniško različico človeških možganov. Stikalne enote predstavljajo nevrone, povezavami med njimi pa aksone in dendrite. Nevronske mreže se naučijo opravljati zahtevne naloge samostojno, brez vnaprejšnjega določevanja pravil oz. algoritma delovanja. Zelo aktualna aplikacija nevronskih mrež je računalniški vid oziroma analiza slikovnih podatkov. Avtokodirniki predstavljajo tip umetnih nevronskih mrež. Njihova naloga je učenje kompaktnega kodiranja in dekodiranja vhodnih podatkov skozi takoimenovano »ozko grlo«, ki je dimenzijsko omejen prostor značilnic. Iz zakodiranih značilnic ozkega grla avtokodirniki nato rekonstruirajo vhodne podatke. Avtokodirniki so zato uporabni za zmanjševanje dimenzije podatkov ali kot sistem za izbris nekoristne informacije, naprimer šuma v vhodnih podatkih. Variacijski avtokodirnik predstavlja različico osnovnega avtokodirnika, čigar naloga je preslikava vhodnih podatkov v ozko grlo oziroma latentni prostor, v katerem preslikani podatki zavzamejo vnaprej določeno obliko statistične porazdelitve. Na takšen način rešimo težave pretiranega prilagajanja (angl. overfitting) na vhodne podatke. Za ta namen je potrebno ustrezno prilagoditi arhitekturo ozkega grla. V magistrskem delu smo slikovne baze magnetno resonančnih slik bolnikov obdelali in uporabili v različnih kombinacijah metod analize, katerih namen je omogočiti učinkovito prepoznavanje strukturnih vzorcev v možganih. Hipoteza je, da za specifične možganske bolezni in klinične podtipe oz. fenotipe teh bolezni lahko določimo specifične strukturne vzorce v magnetno resonančnih slikah. Take vzorce imenujemo slikovni fenotipi bolezni. Slike možganov smo obdelali, nato pa na njih izvedli rojenje k-tih povprečij, razširjanja sorodnosti in hierarhičnega združevanja. Metode rojenja smo izvedli neposredno na slikah, na dimenzijsko skrčenih in še na kompaktni predstavitvi slik v latentnem prostoru variacijskega avtokodirnika. Uporabili smo več različnih arhitektur variacijskega avtokodirnika. Na koncu smo nastale roje povezali s kliničnimi podatki bolnikov. Ugotovili smo, da se pokaže močna povezava med nastalimi roji in kliničnimi ter demografskimi podatki. Uspešno smo ustvarili roj, ki je prestavljal bolne osebe, glede na lestvico stopnje prizadetosti EDSS (angl. Expanded Disability Status Scale), starost in druge podatke. Pri tem se je najbolje izkazal model variacijskega avtokodirnika, ki je bil sestavljen iz samih konvolucijskih mrež, na latentnih podatkih pa smo izvedli rojenje k-tih povprečij. V tem primeru smo za zdrave osebe glede starosti dosegli zelo natančne in specifične rezultate rojenja. Zaključimo lahko, da je področje umetne inteligence, nevronskih mrež in strojnega učenja prihodnost zdravstvene diagnoze. Vsakršna pomoč in vnaprejšnja analiza bolnikovega stanja je dobrodošla, z uporabo preiskave magnetne resonance pa tudi zdravju neškodljiva in neinvazivna, kar lahko v prihodnje omogočijo tudi rezultati v pričujoči magistrski nalogi.20202020-06-12 09:55:00Magistrsko delo/naloga116839VisID: 50321COBISS_ID: 20551171sl