Please use this identifier to cite or link to this item:
Title: Development of multimodal machine Learning methodology for studying the heterogeneity of brain ageing using neuroimaging and genetic data
Authors: Αϊδίνης, Γεώργιος
Νικήτα Κωνσταντίνα
Keywords: Νόσος Αλτσχάιμερ
́Ηπια Νοητική Διαταραχή
Βαθειά Νευρωνική Μάθηση
Μηχανική Μάθηση
Data Analysis
Deep Canonical Correlation Analysis
Non- Negative Matrix Factorization
Correspondence Analysis
Alzheimer’s Disease
Mild Cognitive Impairment
Deep Learning
Machine Learning
Issue Date: 29-Jun-2022
Abstract: Alzheimer’s Disease (AD) is the subject of an increasing number of studies, as it is the most common cause of dementia — a continuous decline in thinking, behavioral and social skills that affects a person’s ability to function independently. The use of computational methods for the diagnosis, study, and treatment of Alzheimer’s disease has enjoyed rapid growth. Currently, machine learning methods are applied for the visualization, processing, transformation, and classification of data related to the disease. Modern methods utilize multi modal data, with particular emphasis on imaging and genetic data. In this Thesis, the use of a multitude of data analysis and Machine and deep learning methods is investi- gated in order to classify data from the Alzheimer’s Disease Neuroimaging Initiative dataset into AD patients, mild cognitive impairment patients, and cognitive normal people. The dataset contains imaging and genetic data from 1302 participants. in the present Thesis, the performance of Data Analysis methods including Deep Canonical Correlation Analysis, Multiple Correspondence Analysis, Orthonormal Projective Non-Negative Matrix Factori- sation and Factor Analysis of Mixed Data is presented, along with the performance of classification methods including Support Vector Machines and Ensemble Classifier meth- ods. Various combinations of these methods were evaluated in terms of accuracy, F1 Score and balanced accuracy. The results of the study are comparatively presented and future directions are discussed. / Η νόσος Αλτσχάιμερ είναι το αντικείμενο ολοένα και περισσότερων μελετών, αφού α- ποτελεί μια από τισ σημαντικότερες νευροεκφυλιστικές ασθένειες. Η χρήση υπολογιστικών μεθόδων για την διάγνωση, την μελέτη αλλά και την αντιμετώπιση της νόσου γνωρίζει ραγδαία ανάπτυξη. Οι σύγχρονες μέθοδοι χρησιμοποιούν πολυτροπικά δεδομένα, με ιδιαίτερη έμφαση σε απεικονιστικά και γενετικά δεδομένα. Για την αποτύπωση, την επεξεργασία, τον μετασχη- ματισμό, αλλά και την κατηγοριοποίηση των δεδομένων εφαρμόζονται, ως επί το πλείστον, μέθοδοι μηχανικής μάθησης. Στο πλαίσιο της παρούσας διπλωματικής εργασίας, διερευνούνται εκτενώς διαφορετικές μέθοδοι ανάλυσης δεδομένων, μηχανικής μάθησης αλλά και βαθειάς νευ- ρωνικής μάθησης, καθώς και οι μεταξύ τους συνδυασμοί για την κατηγοριοποίηση δεδομένων από το σύνολο δεδομένων Alzheimer’s Disease Neuroimaging Initiative που προέρχεται από πάσχοντες από νόσο Αλτσχάιμερ, άτομα με ήπια νοητική διαταραχή, και φυσιολογικά άτομα. Το σύνολο δεδομένων περιέχει απεικονιστικά και γενετικά δεδομένα από 1302 συμμετέχοντες. Εξετάζονται μέθοδοι ανάλυσης δεδομένων, περιλαμβανομένων των Deep Canonical Correla- tion Analysis, Multiple Correspondence Analysis, Orthonormal Projective Non-Negative Matrix Factorisation και Factor Analysis of Mixed Data. Για την κατηγοριοποίηση των δεδο- μένων χρησιμοποιήθηκαν Support Vector Machines καθώς και μέθοδοι Ensemble Classifiers. Τα μοντέλα που προέκυψαν από τους συνδυασμούς των παραπάνω μεθόδων, αξιολογήθηκαν ως προς την ακρίβεια, το F1 score, και την εξισορροπημένη ακρίβειά τους. Παρατίθεται συ- γκριτική αξιολόγηση και σχολιασμός των αποτελεσμάτων καθώς και προτάσεις μελλοντικής έρευνας.
Appears in Collections:Διπλωματικές Εργασίες - Theses

Files in This Item:
File Description SizeFormat 
Dissertation-3.pdf18.83 MBAdobe PDFView/Open

Items in Artemis are protected by copyright, with all rights reserved, unless otherwise indicated.