Graph Neural Networks in Epilepsy Surgery

Simple item page
but.committeedoc. 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)cs
but.defenceStudentka 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.cs
but.jazykangličtina (English)
but.programBiomedicínské inženýrství a bioinformatikacs
but.resultpráce byla úspěšně obhájenacs
dc.contributor.advisorFilipenská, Marinaen
dc.contributor.authorHrtoňová, Valentinaen
dc.contributor.refereeMSc, Daniel Uher,en
dc.date.created2024cs
dc.description.abstractÚspěch 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, pen
dc.description.abstractSuccessful 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, pcs
dc.description.markAcs
dc.identifier.citationHRTOŇOVÁ, V. Graph Neural Networks in Epilepsy Surgery [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2024.cs
dc.identifier.other159753cs
dc.identifier.urihttp://hdl.handle.net/11012/246221
dc.language.isoencs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectgrafové neuronové sítěen
dc.subjectdeep learningen
dc.subjectzpracování signálůen
dc.subjectintrakraniální EEGen
dc.subjectepilepsieen
dc.subjectepileptogenní zónaen
dc.subjectzóna počátku záchvatuen
dc.subjectpredikce pooperačního výsledkuen
dc.subjectgraph neural networkscs
dc.subjectdeep learningcs
dc.subjectsignal processingcs
dc.subjectintracranial EEGcs
dc.subjectepilepsycs
dc.subjectepileptogenic zonecs
dc.subjectseizure-onset zonecs
dc.subjectpostsurgical outcome predictioncs
dc.titleGraph Neural Networks in Epilepsy Surgeryen
dc.title.alternativeGraph Neural Networks in Epilepsy Surgerycs
dc.typeTextcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
dcterms.dateAccepted2024-06-10cs
dcterms.modified2024-06-11-09:05:48cs
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
sync.item.dbid159753en
sync.item.dbtypeZPen
sync.item.insts2025.03.26 14:42:22en
sync.item.modts2025.01.17 10:48:49en
thesis.disciplinebez specializacecs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
final-thesis.pdf
Size:
9.59 MB
Format:
Adobe Portable Document Format
Description:
file final-thesis.pdf
Download
Thumbnail Image
Name:
appendix-1.zip
Size:
214.3 KB
Format:
Unknown data format
Description:
file appendix-1.zip
Download
Thumbnail Image
Name:
review_159753.html
Size:
6.36 KB
Format:
Hypertext Markup Language
Description:
file review_159753.html
Download
Collections
2024