Graph Neural Networks in Epilepsy Surgery

Úspěch epileptochirurgického zákroku závisí na přesné lokalizaci epileptogenní zóny (EZ), avšak pouze 60% pacientů je po operaci bez záchvatů, což je často způsobeno nepřesnou identifikací EZ. Tato práce představuje novou metodu lokalizace EZ využívající grafové neuronové sítě (GNN) k analýze interiktálních biomarkerů - konkrétně interiktálních spiků a relativní entropie. Modely GNN byly využity pro lokalizaci kontaktů elektrod v resekované zóně vzniku záchvatu na základě dat z interiktální stereoelektroencefalografie a validovány na souboru klinických dat 37 pacientů ze dvou institucí. Nejlépe hodnocený model GNN - Graph Attention Network - dosáhl mediánu Area Under the Receiver Operating Characteristic (AUROC) 0,971 a mediánu Area Under the Precision-Recall Curve (AUPRC) 0,525 v souboru 19 pacientů s dobrým pooperačním výsledkem, přičemž v obou metrikách statisticky významně překonal referenční model založený na četnosti spiků (Wilcoxon Signed Rank test, p
Successful epilepsy surgery relies on precise localization of the epileptogenic zone (EZ), yet only about 60% of patients become seizure-free post-surgery often due to inaccurate EZ identification. This thesis presents a novel method for EZ localization using Graph Neural Networks (GNNs) to analyze interictal biomarkers, specifically interictal spikes and relative entropy. The GNN models were used to localize resected seizure-onset zone electrode contacts based on interictal stereoelectroencephalography data, validated on a clinical dataset of 37 patients from two institutions. The best-performing GNN model - Graph Attention Network - scored a median Area Under the Receiver Operating Characteristic (AUROC) of 0.971 and a median Area Under the Precision-Recall Curve (AUPRC) of 0.525 across a cohort of 19 patients with a good surgical outcome, significantly outperforming a benchmark model based on spike rates (Wilcoxon Signed Rank test, p

Keywords

grafové neuronové sítě, deep learning, zpracování signálů, intrakraniální EEG, epilepsie, epileptogenní zóna, zóna počátku záchvatu, predikce pooperačního výsledku, graph neural networks, deep learning, signal processing, intracranial EEG, epilepsy, epileptogenic zone, seizure-onset zone, postsurgical outcome prediction

Citation

HRTOŇOVÁ, V. Graph Neural Networks in Epilepsy Surgery [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.

Language of document

en

Study field

bez specializace

Comittee

doc. Ing. Radovan Jiřík, Ph.D. (předseda) prof. Ing. Valentýna Provazník, Ph.D. (místopředseda) Ing. Tomáš Vičar, Ph.D. (člen) Ing. Vratislav Harabiš, Ph.D. (člen) doc. Mgr. Ing. Karel Sedlář, Ph.D. (člen) doc. Ing. Jana Kolářová, Ph.D. (člen)

Date of acceptance

2024-06-10

Defence

Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Prof. Provazník položila otázku: Uvažuje ukázka další epileptogenní ložiska? Byly elektrody zavedeny symetricky u konkrétního pacienta? Ing. Vičar položil otázku: Jak je složitá implementace GAT modelů? Pracovala jste bez použití již implementovaných knihoven? Byl zjišťován vliv pre-procesingu na výsledky? Doc. Sedlář položil otázku: Budete dále navazovat na práci? Studentka obhájila diplomovou práci a odpověděla na otázky členů komise a oponenta.

Result of defence

práce byla úspěšně obhájena

Document licence

Standardní licenční smlouva - přístup k plnému textu bez omezení