HOME > Detail View

Detail View

Functional brain network modeling with machine learning

Functional brain network modeling with machine learning

Material type
학위논문
Personal Author
감태의 甘㟋義
Title Statement
Functional brain network modeling with machine learning = 기계학습을 이용한 기능적 뇌 연결망 모델링 / 甘㟋義
Publication, Distribution, etc
Seoul :   Graduate School, Korea University,   2017  
Physical Medium
vii, 52장 : 천연색삽화, 도표 ; 26 cm
기타형태 저록
Functional Brain Network Modeling with Machine Learning   (DCOLL211009)000000072080  
학위논문주기
학위논문(박사)-- 고려대학교 대학원: 컴퓨터·전파통신공학과, 2017. 2
학과코드
0510   6YD36   326  
General Note
지도교수: 李晟瑍  
Bibliography, Etc. Note
참고문헌: 장 39-52
이용가능한 다른형태자료
PDF 파일로도 이용가능;   Requires PDF file reader(application/pdf)  
비통제주제어
Machine Learning , Functional Brain Network , Brain Disease Diagnosis,,
000 00000nam c2200205 c 4500
001 000045897613
005 20170329144827
007 ta
008 161229s2017 ulkad bmAC 000c eng
040 ▼a 211009 ▼c 211009 ▼d 211009
041 0 ▼a eng ▼b kor
085 0 ▼a 0510 ▼2 KDCP
090 ▼a 0510 ▼b 6YD36 ▼c 326
100 1 ▼a 감태의 ▼g 甘㟋義
245 1 0 ▼a Functional brain network modeling with machine learning = ▼x 기계학습을 이용한 기능적 뇌 연결망 모델링 / ▼d 甘㟋義
260 ▼a Seoul : ▼b Graduate School, Korea University, ▼c 2017
300 ▼a vii, 52장 : ▼b 천연색삽화, 도표 ; ▼c 26 cm
500 ▼a 지도교수: 李晟瑍
502 1 ▼a 학위논문(박사)-- ▼b 고려대학교 대학원: ▼c 컴퓨터·전파통신공학과, ▼d 2017. 2
504 ▼a 참고문헌: 장 39-52
530 ▼a PDF 파일로도 이용가능; ▼c Requires PDF file reader(application/pdf)
653 ▼a Machine Learning ▼a Functional Brain Network ▼a Brain Disease Diagnosis
776 0 ▼t Functional Brain Network Modeling with Machine Learning ▼w (DCOLL211009)000000072080
900 1 0 ▼a 이성환 ▼g 李晟瑍, ▼e 지도교수
945 ▼a KLPA

Electronic Information

No. Title Service
1
Functional brain network modeling with machine learning (90회 열람)
View PDF Abstract Table of Contents

Holdings Information

No. Location Call Number Accession No. Availability Due Date Make a Reservation Service
No. 1 Location Science & Engineering Library/Stacks(Thesis)/ Call Number 0510 6YD36 326 Accession No. 123055737 Availability Available Due Date Make a Reservation Service B M

Contents information

Abstract

자폐증에 대한 연구는 지속적으로 진행되었지만, 여전히 자폐증의 진단은 환자의 특정한 행동 패턴에 의존하고 있으며, 아직 뇌영상학적 지표는 밝혀지지 않은 상태이다. 때문에 많은 연구자들이 휴지상태-기능성 자기공명영상 기반의 기능적 뇌 연결망 분석을 통해, 자폐증을 포함한 뇌 질환 진단 연구를 진행하고 있다. 기존에 자폐증으로 인해 발생하는 기능적 뇌 연결망의 이상 상태를 밝히기 위한 많은 방법들이 고안되었지만, 기존 방법들은 뇌 질환과 관련된 사전 지식에 지나치게 의존적이거나 기능적 뇌 연결망에 내포되어 있는 비선형적 연결관계를 고려하지 않은 한계를 가지고 있다. 이러한 문제를 해결하기 위해, 본 논문에서는 기계학습 기반 데이터 분석을 통해, 다중 기능적 뇌 연결망 모델링을 위한 새로운 방법론을 제안한다. 제안하는 방법에서는 먼저 계층적 클러스터링 기법을 통해, 다수의 기능적 뇌 연결망을 구성하고, 각 뇌 연결망에서 정상인과 자폐증 환자를 잘 구별할 수 있는 연결 패턴을 검출한다. 그 후, 딥러닝의 핵심 요소인 제한 볼츠만 머신을 이용하여, 각 뇌 연결망으로부터 주요 특징 및 분류기를 학습한다. 각각의 뇌 연결망으로부터 학습된 분류기는 새로운 입력 데이터가 자폐증 환자의 데이터인지 아니면 정상인의 데이터인지를 개별적으로 판단하게 되고, 여러 분류기에서 판단한 분류 결과의 가중 합을 통해 최종적인 진단을 수행하게 된다. 전 세계적으로 사용되는 공용 데이터 셋을 기반으로 기존 방법론들과의 성능 비교를 통해, 제안하는 방법의 우수성을 입증하였으며, 학습된 제한 볼츠만 머신을 면밀히 분석하여, 자폐증과 정상인을 구분하는데 주요한 역할을 수행하는 뇌 연결 패턴을 밝혔다.

Despite countless studies on Autism Spectrum Disorder (ASD), diagnosis relies on specific behavioral criteria and neuroimaging biomarkers for the disorder remain unknown. Many researchers have focused on functional networks of brain activities using resting-state functional Magnetic Resonance Imaging (rsfMRI) to diagnose brain diseases, including ASD. Although some existing methods are able to reveal the abnormalities in functional networks that are caused by ASD, they are either highly dependent on prior assumptions for modeling these networks or do not focus on latent Functional Connectivities (FCs) by considering discriminative relations among FCs in a non-linear way. In this paper, we propose a novel framework to model multiple networks of rsfMRI with data-driven approaches based on machine learning. Specifically, we construct large-scale functional networks with hierarchical clustering and find discriminative connectivity patterns between ASD and Normal Controls (NC). We then learn features and classifiers for each cluster through Discriminative Restricted Boltzmann Machines (DRBMs). In the testing phase, each DRBM determines whether a test sample is ASD or NC, based upon which we make a clinical decision with a majority voting strategy. We assess the diagnostic performance of the proposed method using public datasets and describe the effectiveness of our method by comparing it to competing methods. We also rigorously analyze FCs learned by DRBMs on each cluster and discover dominant FCs that play a major role in discriminating between ASD and NC.

Table of Contents

1 Introduction
2 Materials and Preprocessing
3 ProposedMethod
3.1 Multiple Network Construction and Feature Extraction
3.2 Classifier Learning
4 Experimental Results
4.1 Experimental Settings
4.2 Performance Evaluation
4.2.1 NYU Dataset
4.2.2 UM Dataset
4.2.3 (NYU+UM) Combined Dataset
5 Discussions
5.1 Analysis of Selected FCs onMultiple Clusters
5.2 Analysis of DRBMWeights
5.3 Limitations
6 Conclusion