Robustní detekce psychických stavů a charakteristik z neurozobrazovacích dat
Classification and Prediction of Interindividual Differences from Multimodel Neuroimaging Data
Typ dokumentu
disertační prácedoctoral thesis
Autor
Barbora Rehák Bučková
Vedoucí práce
Hlinka Jaroslav
Oponent práce
Hahn Tim
Studijní obor
Umělá inteligence a biokybernetikaStudijní program
Elektrotechnika a informatikaInstituce přidělující hodnost
katedra kybernetikyPráva
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
V posledních letech prošel obor neurozobrazování významnými změnami, a to nejen s ohledem na technologický pokrok, ale také na používané analytické přístupy. Klasická statistika ustupuje technikám strojového učení, což podnítilo posun směrem ke klasifikaci a predikci na individuální úrovni, které nabízejí poznatky přesahující tradiční skupinové rozdíly. Tento přechod však není bez problémů, neboť s sebou nese nutnost řešení nedostatku vhodných metodologických postupů, problémy s interpretovatelností modelů a absenci nezávislých replikačních studií. Cílem této práce je prozkoumat, navrhnout a kriticky zhodnotit metodiky analýzy neurozobrazovacích dat. Zaměřuje se především na vývoj a použití inovativních technik k dosažení klasifikace a predikce na individuální úrovni s využitím neurozobrazovacích dat různých (neuro)zobrazovacích modalit. Rozebírá klíčové fáze analýzy neurozobrazovacích dat, a sice jejich měření, předzpracování, návrh příznaků a analytické metody. Zvláštní pozornost je věnována redukci dimenzionality a kontrole zavádějících faktorů, jelikož významně ovlivňují spolehlivost a interpretovatelnost výsledků. V pěti výzkumných kapitolách se práce zabývá nedostatkem nezávislých replikačních studií, problémy longitudinální predikce a možnostmi integrace modalit v analýze neurozobrazovacích dat. Zdůrazňuje redukci dimenzionality jako důležitý nástroj pro zvládání přirozených dimenzionálních rozdílů mezi modalitami a navrhuje slibné postupy pro další výzkum. Práci uzavírá zkoumání předtrénovaných normativních modelů a jejich významu pro zlepšení individualizované predikce při analýze longitudinálních neurozobrazovacích dat. Závěrem lze říci, že tato práce přispívá k rozvoji analýzy neurozobrazovacích dat tím, že nabízí nové a robustní metodiky pro klasifikaci a predikci na úrovni jednotlivce. Prostřednictvím kritických hodnocení a originálních prací přináší nové poznatky o multimodální fúzi, individualizované klasifikaci a predikci a potenciálu normativních modelů. In the past years, the field of neuroimaging has undergone significant changes, not only with respect to advances in technology but also in analytical approaches. Classical statistics has given way to machine learning techniques, prompting a shift towards subject-level classification and prediction, offering insights beyond traditional group-level differences. However, this transition is not without its challenges, as it necessitates addressing the lack of appropriate methodologies, issues with model interpretability, and a scarcity of independent replication studies.This thesis aims to explore, design, and critically evaluate such novel approaches in neuroimaging data analysis. The main focus is on developing and applying innovative techniques to achieve individual-level classification and prediction using neuroimaging data of different (neuro)imaging modalities. It dissects the key stages of neuroimaging data analysis, addressing data acquisition, preprocessing, feature design, and analytical methods. Special attention is given to dimensionality reduction and confounder control, as these factors significantly impact the reliability and interpretability of the results.Across five research works, the thesis addresses the lack of independent replication studies, the problems of longitudinal prediction, and the potential of modality integration in neuroimaging data analysis. It emphasises dimensionality reduction as a vital tool to handle natural dimensionalities among modalities, offering promising solutions for further research. The thesis concludes with an exploration of pre-trained normative models and their significance in enhancing individualised prediction in longitudinal neuroimaging data analysis. In summary, this thesis contributes to the advancement of neuroimaging data analysis by offering novel and robust methodologies for subject-level classification and prediction. Through critical evaluations and original works, it provides insights into multimodal fusion, individualised classification and prediction, and the potential of normative models.
Zobrazit/ otevřít
Kolekce
- Disertační práce - 13000 [697]