Έμβλημα Πολυτεχνείου Κρήτης με τίτλο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Η Σχολή ΗΜΜΥ στο Facebook  Η Σχολή ΗΜΜΥ στο Youtube

Κατάλογος Εκδηλώσεων

14
Οκτ

Παρουσίαση Διπλωματικής Εργασίας κας Γάλλου Ολυμπίας - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας   ΗΜΜΥ  
ΤοποθεσίαΗ παρουσίαση θα γίνει με τηλεδιάσκεψη
Ώρα14/10/2021 14:00 - 15:00

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
ΟΛΥΜΠΙΑ ΓΑΛΛΟΥ

θέμα
Οριοθέτηση της Επιληπτογόνου Ζώνης με Ακριβή Προσδιορισμό της Περιοχής Υψηλής Συχνότητας Ταλάντωσης (HFO) Χρησιμοποιώντας την Ταξινόμηση των Εξαγόμενων Χαρακτηριστικών
Delineating the Epileptogenic Zone by Accurately Determining the High Frequency Oscillation (HFO) Area using Classification of the Extracted Features

Εξεταστική Επιτροπή
Καθηγητής Ζερβάκης Μιχαήλ (επιβλέπων)
Αναπληρωτής Καθηγητής Λαγουδάκης Μιχαήλ
Δρ. Διακολουκάς Βασίλειος (Μέλος ΕΔΙΠ)

Περίληψη
Η επιληψία είναι μια συχνή περίπλοκη νευρολογική διαταραχή που χαρακτηρίζεται από απρόκλητες κρίσεις. Ένα σημαντικό ποσοστό ασθενών παγκοσμίως πάσχει από φαρμακοανθεκτική  επιληψία και ως αποτέλεσμα βιώνει επαναλαμβανόμενες απρόβλεπτες κρίσεις με αυξημένους κινδύνους. Η χειρουργική επέμβαση επιληψίας έχει αποδειχθεί ότι είναι η πιο αποτελεσματική θεραπεία για την επίτευξη παρατεταμένης ελευθερίας κρίσεων σε αυτό το ποσοστό φαρμακοανθετικών ασθενών με εστιακή επιληψία. Η κύρια αρχή της χειρουργικής επιληψίας είναι ο ακριβής εντοπισμός και η εκτομή ή αποσύνδεση της Επιληπτογενούς Ζώνης (ΕΖ). Επεμβατικές τεχνικές όπως η ηλεκτροκορτικογραφία (ECoG) με υψηλή χωροχρονική ακρίβεια, κρίνονται απαραίτητες στην προεγχειρητική αξιολόγηση, προκειμένου να εκτομηθεί με ακρίβεια ο ιστός του φλοιού που σχετίζεται με την επιληπτογένεση. Οι interictal Υψίσυχνες Ταλαντώσεις (HFO) αποτελούν έναν πολλά υποσχόμενο βιοδείκτη στο ενδοκρανιακό ηλεκτροεγκεφαλογράφημα (iEEG). Πρόσφατες μελέτες έχουν δείξει ότι η εκτομή των ιστών που παράγουν HFO μπορεί να βελτιώσει την προεγχειρητική διάγνωση και τα χειρουργικά αποτελέσματα ασθενών ανθεκτικών σε φαρμακευτική αγωγή. Οι ταλαντώσεις υψηλής συχνότητας ορίστηκαν στις ζώνες συχνοτήτων Ripples (80–250 Hz) και Fast Ripples (250–500 Hz). Οι επαφές των ηλεκτροδίων με τον υψηλότερο ρυθμό Ripples που συμβαίνουν ταυτόχρονα με Fast Ripples, ορίζουν την περιοχή HFO. Στην τρέχουσα μελέτη, ο στόχος ήταν να διερευνηθεί η συσχέτιση των διαφόρων τύπων interictal HFO με τη ζώνη έναρξης επιληπτικών κρίσεων (SOZ), την περιοχή που αφαιρέθηκε και το αποτέλεσμα της χειρουργικής κρίσης (σύμφωνα με την ILAE). Το σύνολο δεδομένων αποτελείται από 20 διαδοχικούς ασθενείς που υποβλήθηκαν σε χειρουργική επέμβαση επιληψίας στο Πανεπιστημιακό Νοσοκομείο της Ζυρίχης. Αναλύσαμε δείγματα μακροχρόνιων επεμβατικών ηχογραφήσεων τμηματοποιημένα σε πεντάλεπτα διαστήματα ύπνου αργού κύματος (SWS). Έχουμε αναπτύξει μια μέθοδο μηχανικής μάθησης που βασίζεται σε γεγονότα για αυτοματοποιημένη ταυτοποίηση της παθολογικής HFO περιοχής και της μη παθολογικής, χρησιμοποιώντας χαρακτηριστικά που εξάγονται από interictal δεδομένα iEEG σε κλινικά περιβάλλοντα. Έτσι, παρέχουμε έναν ενδεχόμενο ορισμό μιας παθολογικής περιοχής κλινικά σημαντικών HFO. Η προτεινόμενη προσέγγιση βασίζεται σε εποπτευόμενους αλγόριθμους μάθησης, συμπεριλαμβανομένων των Μηχανών Διανυσμάτων Υποστήριξης (SVM) και των Τυχαίων Δασών (Random Forests) που διασταυρώνονται με μεθόδους διασταυρούμενης επικύρωσης 10-fold Cross Validation και Leave-One-Out, για την ταξινόμηση των επιληπτικών και μη επιληπτικών συμβάντων χρησιμοποιώντας χαρακτηριστικά των HFO. Από τα αποτελέσματα, επιτυγχάνουμε υψηλές επιδόσεις στην ταξινόμηση των παθολογικών HFO εστιών και στην πρόβλεψη του αποτελέσματος ελέγχου κρίσεων στον μεμονωμένο ασθενή, καθώς και μεταξύ διαφορετικών ασθενών. Αυτά τα αποτελέσματα ενισχύουν ευρήματα από προηγούμενες μελέτες και επομένως θα μπορούσαν να οδηγήσουν σε μελλοντικές πολυκεντρικές μελέτες που θα δοκιμάζουν την κλινική εφαρμογή των HFO.

Abstract 
Epilepsy is a common complex neurological disorder characterized by unprovoked seizures.  A significant percentage of the patients worldwide suffer from refractory epilepsy and as a result experience recurrent unpredictable seizures with increased risks. Epilepsy surgery has been proven to be the most effective treatment to achieve seizure freedom in that percentage of drug-resistant patients. The main principle of epilepsy surgery is the accurate localization and resection or disconnection of the Epileptogenic Zone (EZ). Invasive techniques such as electrocorticography (ECoG) with high spatiotemporal precision, are crucial in the presurgical evaluation, in order to determine the cortical tissues related to epileptogenesis. Interictal High Frequency Oscillations (HFO) are promising biomarkers in intracranial electroencephalography (iEEG). Recent studies have shown that the resection of the tissue generating HFOs may improve presurgical diagnosis and seizure outcomes of drug-resistant patients. High-frequency oscillations were defined in the Ripple (80–250 Hz) and the Fast Ripple (250–500 Hz) frequency bands. The electrode contacts with the highest rate of Ripples co-occurring with Fast Ripples designated the HFO area. In the current study, the goal was to investigate the association of the different types of interictal HFOs with the seizure onset zone (SOZ), resected area, and the surgical seizure outcome (ILAE). The dataset consists of 20 consecutive patients, who underwent resective epilepsy surgery in University Hospital Zurich. We analyzed samples of long-term invasive recordings segmented in 5-minute intervals of interictal slow-wave sleep. We have developed an event-based machine learning method for automated prospective identification of the pathological and non-pathological HFO area using features extracted from interictal iEEG data in clinical settings. Thus, we provide a prospective definition of pathological HFOs that are clinically relevant. The proposed approach is based on supervised learning algorithms, including SVM and Random Forests cross-validated with ten-fold cross-validation and Leave One Patient Out, to sort epileptic and non-epileptic events using distinctive features of HFOs. From the results, we achieve high performance in classifying the pathological events and predicting the seizure outcome at the intra-, as well as inter-subject level. These results corroborate findings from previous studies and thus they might enable future prospective multicenter studies testing the clinical application of the HFO.

Meeting ID: 947 7732 3601
Password: 696252

© Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών 2014
Πολυτεχνείο Κρήτης