dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Títol variant: |
Network analysis to characterize neurodegenerative diseases |
| Títol variant: |
Análisis de redes para caracterizar enfermedades neurodegenerativas |
| Data: |
2024 |
| Resum: |
A partir d'imatges de ressonància magnètica del cervell, es pot obtenir informació sobre la connectivitat entre les seves regions, la qual pot ajudar a la identificació de persones que pateixen Esclerosi Múltiple. En aquest treball, s'estudien diverses estratègies per resoldre aquest problema, tant combinant informació estructural, morfològica i funcional del cervell per crear una xarxa multilayer com treballant amb xarxes single-layer que continguin un sol tipus d'informació. A partir de les xarxes, s'ha fet el càlcul de diferents mètriques de graf i s'han utilitzat els valors obtinguts per entrenar models d'aprenentatge automàtic que classifiquin els subjectes entre persones amb Esclerosi Múltiple i voluntaris sans, arribant a aconseguir un accuracy de fins a 0, 965 en el cas del millor model generat, que es tracta d'un Support Vector Machine. A part, també s'han generat models de regressió per predir el valor de la mètrica EDSS, que indica l'estat de discapacitat de la persona. |
| Resum: |
Using magnetic resonance imaging of the brain, information about the connectivity between its regions can be obtained, which can help in identifying people with Multiple Sclerosis. In this study, various strategies to solve this problem are explored, both by combining structural, morphological and functional information of the brain to create a multilayer network and by working with single-layer networks that contain a single type of information. From these networks, various graph metrics were calculated, and the obtained values were used to train machine learning models that classify subjects between people with Multiple Sclerosis or healthy volunteers, achieving an accuracy of up to 0. 965 with the best generated model, which is a Support Vector Machine. Additionally, regression models were also generated to predict the value of the EDSS metric, which indicates the disability status of the person. |
| Resum: |
A partir de imágenes de resonancia magnética del cerebro, se puede obtener información sobre la conectividad entre sus regiones, la cual puede ayudar a la identificación de personas que padecen Esclerosis Múltiple. En este trabajo, se estudian diversas estrategias para resolver este problema, tanto combinando información estructural, morfológica y funcional del cerebro para crear una red multilayer como trabajando con redes single-layer que contengan un solo tipo de información. A partir de las redes, se ha hecho el cálculo de diferentes métricas de grafo y se han utilizado los valores obtenidos para entrenar modelos de aprendizaje automático que clasifiquen a los sujetos entre personas con Esclerosis Múltiple y voluntarios sanos, llegando a conseguir un accuracy de hasta 0, 965 en el caso del mejor modelo generado, que se trata de un Support Vector Machine. Aparte, también se han generado modelos de regresión para predecir el valor de la métrica EDSS, que indica el estado de discapacidad de la persona. |
| Drets: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Llengua: |
Català |
| Titulació: |
Enginyeria Informàtica [2502441] |
| Pla d'estudis: |
Enginyeria Informàtica [958] |
| Document: |
Treball final de grau ; Text |
| Àrea temàtica: |
Menció Computació |
| Matèria: |
Esclerosi Múltiple ;
MRI ;
Xarxa multilayer ;
Xarxa single-layer ;
EDSS ;
Aprenentatge automàtic ;
Support Vector Machine ;
Random Forest ;
Multi-layer Perceptron ;
Esclerosis Múltiple ;
Red multilayer ;
Red single-layer ;
Aprendizaje automático ;
Multiple Sclerosis ;
Multilayer network ;
Single-layer network ;
Machine learning |
visitant ::
identificació
dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
