Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Morais, Mariana Pastro
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Pontifícia Universidade Católica do Rio Grande do Sul
Escola Politécnica
Brasil
PUCRS
Programa de Pós-Graduação em Engenharia Elétrica
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Ressonância Magnética Funcional
Aprendizado de Máquina
Neurolinguagem
Lateralidade Hemisférica Cerebral
Functional Magnetic
Resonance
Machine Learning
Neurolanguage
Cerebral Hemispheric Laterality
ENGENHARIAS
Link de acesso: http://tede2.pucrs.br/tede2/handle/tede/9334
Resumo: Embora a área cerebral de linguagem tenha sua localização anatômica definida pelas áreas de Wernicke e de Broca, alguns pacientes acometidos com tumores cerebrais têm suas topografias de ativação alteradas, devido a um fenômeno chamado translocação de linguagem. A ressonância magnética funcional (RMf) é um método de diagnóstico por imagem que evidencia as áreas de linguagem, contribuindo para um correto planejamento cirúrgico de retirada de tumores. Apesar da detecção das áreas de ativação cerebral por inspeção visual ser a mais utilizada na clínica, alguns trabalhos vêm utilizando técnicas de Aprendizado de Máquina, como Support Vector Machine, Regressão Logística, Árvores de Decisão, entre outras. Este trabalho tem como objetivo avaliar a aplicação de uma técnica de classificação de lateralidade hemisférica cerebral em área de linguagem utilizando Aprendizado de Máquina. Os coeficientes de ativação das áreas de interesse em imagens de RMf foram extraídos por meio do software AFNI. Uma rede neural artificial Multilayer Perceptron foi configurada, de modo a determinar a probabilidade de as áreas de linguagem estarem alocadas em determinado hemisfério cerebral. O desempenho da rede neural foi avaliado por meio da comparação estatística com o Índice de Lateralidade e com a análise visual. Os resultados mostraram que a RNA MLP tem potencial para ser um método auxiliar para classificação de lateralidade hemisférica cerebral em área de linguagem.
id P_RS_cf4a9b2431b2757c53fc9806032184ca
oai_identifier_str oai:tede2.pucrs.br:tede/9334
network_acronym_str P_RS
network_name_str Biblioteca Digital de Teses e Dissertações da PUC_RS
repository_id_str
spelling Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquinaRessonância Magnética FuncionalAprendizado de MáquinaNeurolinguagemLateralidade Hemisférica CerebralFunctional MagneticResonanceMachine LearningNeurolanguageCerebral Hemispheric LateralityENGENHARIASEmbora a área cerebral de linguagem tenha sua localização anatômica definida pelas áreas de Wernicke e de Broca, alguns pacientes acometidos com tumores cerebrais têm suas topografias de ativação alteradas, devido a um fenômeno chamado translocação de linguagem. A ressonância magnética funcional (RMf) é um método de diagnóstico por imagem que evidencia as áreas de linguagem, contribuindo para um correto planejamento cirúrgico de retirada de tumores. Apesar da detecção das áreas de ativação cerebral por inspeção visual ser a mais utilizada na clínica, alguns trabalhos vêm utilizando técnicas de Aprendizado de Máquina, como Support Vector Machine, Regressão Logística, Árvores de Decisão, entre outras. Este trabalho tem como objetivo avaliar a aplicação de uma técnica de classificação de lateralidade hemisférica cerebral em área de linguagem utilizando Aprendizado de Máquina. Os coeficientes de ativação das áreas de interesse em imagens de RMf foram extraídos por meio do software AFNI. Uma rede neural artificial Multilayer Perceptron foi configurada, de modo a determinar a probabilidade de as áreas de linguagem estarem alocadas em determinado hemisfério cerebral. O desempenho da rede neural foi avaliado por meio da comparação estatística com o Índice de Lateralidade e com a análise visual. Os resultados mostraram que a RNA MLP tem potencial para ser um método auxiliar para classificação de lateralidade hemisférica cerebral em área de linguagem.Although the cerebral language area has its anatomical location defined by Wernicke’s area and Broca’s area, some patients affected with brain tumors have their activation topographies altered due to a phenomenon called language translocation. Functional Magnetic Resonance Imaging (fMRI) is a diagnostic imaging method that highlights language areas, contributing to the correct surgical planning of tumor removal. Despite the detection of brain activation areas by visual inspection being the most used at the clinic, some studies have been using Machine Learning techniques, such as Support Vector Machine, Logistic Regression, Decision Trees, and others. This work aims to evaluate the application of a technique for classification language area laterality to be using Machine Learning. The activation coefficients of the areas of interest in fMRI images were extracted using the AFNI software. A Multilayer Perceptron artificial neural network was set up in order to determine the probability of the language area are allocated in a certain cerebral hemisphere. The performance of the neural network was assessed by means of statistical comparison with the Laterality Index and the visual analisys. The results showed that MLP RNA has the potential to be an auxiliary method for classifying cerebral hemispheric laterality in the language area.Pontifícia Universidade Católica do Rio Grande do SulEscola PolitécnicaBrasilPUCRSPrograma de Pós-Graduação em Engenharia ElétricaSilva, Ana Maria Marques daMorais, Mariana Pastro2020-11-06T12:54:39Z2020-03-27info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://tede2.pucrs.br/tede2/handle/tede/9334porinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da PUC_RSinstname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)instacron:PUC_RS2020-11-06T14:00:12Zoai:tede2.pucrs.br:tede/9334Biblioteca Digital de Teses e Dissertaçõeshttp://tede2.pucrs.br/tede2/PRIhttps://tede2.pucrs.br/oai/requestbiblioteca.central@pucrs.br||opendoar:2020-11-06T14:00:12Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)false
dc.title.none.fl_str_mv Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
title Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
spellingShingle Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
Morais, Mariana Pastro
Ressonância Magnética Funcional
Aprendizado de Máquina
Neurolinguagem
Lateralidade Hemisférica Cerebral
Functional Magnetic
Resonance
Machine Learning
Neurolanguage
Cerebral Hemispheric Laterality
ENGENHARIAS
title_short Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
title_full Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
title_fullStr Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
title_full_unstemmed Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
title_sort Classificação de lateralidade hemisférica de linguagem de linguagem em imagens de ressonância magnética funcional utilizando aprendizado de máquina
author Morais, Mariana Pastro
author_facet Morais, Mariana Pastro
author_role author
dc.contributor.none.fl_str_mv Silva, Ana Maria Marques da
dc.contributor.author.fl_str_mv Morais, Mariana Pastro
dc.subject.por.fl_str_mv Ressonância Magnética Funcional
Aprendizado de Máquina
Neurolinguagem
Lateralidade Hemisférica Cerebral
Functional Magnetic
Resonance
Machine Learning
Neurolanguage
Cerebral Hemispheric Laterality
ENGENHARIAS
topic Ressonância Magnética Funcional
Aprendizado de Máquina
Neurolinguagem
Lateralidade Hemisférica Cerebral
Functional Magnetic
Resonance
Machine Learning
Neurolanguage
Cerebral Hemispheric Laterality
ENGENHARIAS
description Embora a área cerebral de linguagem tenha sua localização anatômica definida pelas áreas de Wernicke e de Broca, alguns pacientes acometidos com tumores cerebrais têm suas topografias de ativação alteradas, devido a um fenômeno chamado translocação de linguagem. A ressonância magnética funcional (RMf) é um método de diagnóstico por imagem que evidencia as áreas de linguagem, contribuindo para um correto planejamento cirúrgico de retirada de tumores. Apesar da detecção das áreas de ativação cerebral por inspeção visual ser a mais utilizada na clínica, alguns trabalhos vêm utilizando técnicas de Aprendizado de Máquina, como Support Vector Machine, Regressão Logística, Árvores de Decisão, entre outras. Este trabalho tem como objetivo avaliar a aplicação de uma técnica de classificação de lateralidade hemisférica cerebral em área de linguagem utilizando Aprendizado de Máquina. Os coeficientes de ativação das áreas de interesse em imagens de RMf foram extraídos por meio do software AFNI. Uma rede neural artificial Multilayer Perceptron foi configurada, de modo a determinar a probabilidade de as áreas de linguagem estarem alocadas em determinado hemisfério cerebral. O desempenho da rede neural foi avaliado por meio da comparação estatística com o Índice de Lateralidade e com a análise visual. Os resultados mostraram que a RNA MLP tem potencial para ser um método auxiliar para classificação de lateralidade hemisférica cerebral em área de linguagem.
publishDate 2020
dc.date.none.fl_str_mv 2020-11-06T12:54:39Z
2020-03-27
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://tede2.pucrs.br/tede2/handle/tede/9334
url http://tede2.pucrs.br/tede2/handle/tede/9334
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Pontifícia Universidade Católica do Rio Grande do Sul
Escola Politécnica
Brasil
PUCRS
Programa de Pós-Graduação em Engenharia Elétrica
publisher.none.fl_str_mv Pontifícia Universidade Católica do Rio Grande do Sul
Escola Politécnica
Brasil
PUCRS
Programa de Pós-Graduação em Engenharia Elétrica
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da PUC_RS
instname:Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
instacron:PUC_RS
instname_str Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
instacron_str PUC_RS
institution PUC_RS
reponame_str Biblioteca Digital de Teses e Dissertações da PUC_RS
collection Biblioteca Digital de Teses e Dissertações da PUC_RS
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da PUC_RS - Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS)
repository.mail.fl_str_mv biblioteca.central@pucrs.br||
_version_ 1850041300743618560

Registros relacionados