Master's thesis

Neuroimaging and unveiling hidden patterns in heterogeneous datasets

Neurozobrazování a odhalování skrytých vzorů v heterogenních souborech dat

Bc. Kateřina Maršálová
Abstract

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 …more

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 …more

Thesis description
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.
The thesis has been checked:
13/5/2019 08:49, prof. Ing. Daniel Schwarz, Ph.D., UČO 195581
Language used
Czech Czech
Defence date
14/6/2019
The thesis was defended successfully

Supervisor

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

Reader

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

Literature

  • DAYAN, Peter and L. F. ABBOTT. Theoretical neuroscience : computational and mathematical modeling of neural systems. Cambridge: MIT Press, 2001, xv, 460. ISBN 0262041995.
  • CHAN, Tony F. and 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 and 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.