Geometric deep learning for functional neuroimaging analysis

• Autor(a) principal: Marcon, Matheus Zampieri
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Biblioteca Digital de Teses e Dissertações da PUC_RS
• Texto Completo: http://tede2.pucrs.br/tede2/handle/tede/9762
• topic: Artificial Intelligence; Neuroimaging; fMRI; Deep Neural Networks; Inteligência Artificial; Neuroimagem; Redes Neurais Profundas; CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO

O estudo do conectoma cerebral humano, um conjunto complexo de relações entre redes neurais cerebrais que associam estrutura cerebral e funcionalidade, têm recebido crescente interesse na área de neuroimagem ao longo da última década. Técnicas de aprendizado profundo constituem o estado da arte para tarefas de classificação de diferentes disordens neurológicas a partir de neuroimagens, proporcionando análises em profundidade acerca de características inerentes da atividade e conectividade cerebrais sem a necessidade prévia de seleção de features. No entanto, operações convolucionais de redes profundas tradicionais são aplicadas a regiões fixas de elementos durante o aprendizado, enquanto dados de conectoma cerebral são melhor representados na forma de grafos, com elementos espacialmente dispersos. Neste trabalho, fazemos uso de técnicas de aprendizado profundo geométrico para análise de dados de conectoma de imagens de ressonância magnética funcional (fMRI), buscando a identificação e extração de representações de características de alto nível das dinâmicas de redes cerebrais envolvidas na cognição humana. Nossas conclusões sugerem que as técnicas investigadas podem superar o estado da arte relativo a modelos de classificação de dados de fMRI além de possibilitar uma metodologia simples para análise de resultados.