Diplomová práce

Neurozobrazování a odhalování skrytých vzorů v heterogenních souborech dat

Neuroimaging and unveiling hidden patterns in heterogeneous datasets

Bc. Kateřina Maršálová
Anotace

Diplomová práce se věnuje vícerozměrným analytickým metodám, a to za účelem odhalení skrytých vzorů v souboru heterogenních dat, který obsahuje proměnné ze zobrazování a z behaviorálního vyšetřování zdravých jedinců a pacientů s hraniční poruchou osobnosti. Součástí práce je kromě rešerše těchto technik i návrh výpočetního algoritmu, do kterého vstupují T1-váhované obrazy z magnetické rezonance a sada …více

Abstract

This thesis deals with techniques of multivariate analysis to unveil hidden patterns in a heterogeneous data set that contains neuroimaging and behavioural variables about healthy individuals and patients with borderline personality disorder. The practical part of this thesis includes a computational algorithm that pocess T1-weighted magnetic resonance images and a set of behavioural variables, i.e …více

Zadání práce
Cílem diplomové práce je detekce nových biomarkerů z heterogenních souborů dat vzešlých ze studií a experimentů zaměřených na závislosti mezi funkcí a strukturou mozku. Sudent(ka) bude při řešení diplomové práce zpracovávat následující úkoly.
  • Prostudovat detailně metody pro analýzu mnohorozměrných heterogenních souborů dat, konkrétně: JIVE (Joint and Individual Variation Explained), PLS (Partial Least Squares) a CCA (Canonical Correlation Analysis)
  • Provést rešerši studií zaměřených na použití těchto metod v psychiatrickém a neurovědním výzkumu s důrazem na použití dat ze zobrazování mozku a na použití algoritmů pro automatickou morfometrii v obrazech mozku.
  • Provést extrakci a selekci příznaků se silnou diskriminačních schopností z mnohorozměrných datových souborů, přičemž k dispozici budou: anatomická data z magnetické rezonance a behaviorální/kognitivní data z psychologických dotazníků od pacientů s psychiatrickým onemocněním.
  • Kriticky shrnout výhody a nevýhody použitých metod z teoretického (matematický aparát) i praktického hlediska (rychlost výpočtu, interpretovatelnost výsledků).
Pro praktickou část diplomové práce je doporučeno použití software MATLAB a toolbox SPM.
Práce zkontrolována:
13. 5. 2019 08:49, prof. Ing. Daniel Schwarz, Ph.D., učo 195581
Jazyk práce
čeština čeština
Termín obhajoby
14. 6. 2019
Práce byla úspěšně obhájena

Vedoucí

prof. Ing. Daniel Schwarz, Ph.D., učo 195581
IBA SpolP LF MU

Oponent

Ing. Martin Lamoš, Ph.D., učo 234660
NEU6 CN CEITEC MU

Literatura

  • DAYAN, Peter a L. F. ABBOTT. Theoretical neuroscience : computational and mathematical modeling of neural systems. Cambridge: MIT Press, 2001, xv, 460. ISBN 0262041995.
  • CHAN, Tony F. a Jianhong SHEN. Image processing and analysis : variational, PDE, wavelet, and stochastic methods. Philadelphia: Society for Industrial and Applied Mathematics, 2005, xxi, 400. ISBN 089871589X.
  • BISHOP, Christopher M. Pattern recognition and machine learning. New York: Springer, 2006, xx, 738. ISBN 0387310738.
  • STARCK, Jean-Luc a Fionn MURTAGH. Sparse image and signal processing : wavelets, curvelets, morphological diversity. Edited by Jalal M. Fadili. New York: Cambridge University Press, 2010, xvii, 316. ISBN 9780521119139.
  • LOHMÖLLER, Jan-Bernd. Latent variable path modeling with partial least squares. Berlin: Springer, 2013, 283 stran. ISBN 9783642525148.

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.
  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.
  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.
  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.
  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.