Usporedba modela strojnog učenja za klasifikaciju poremećaja iz spektra autizma korištenjem slika funkcijske magnetske rezonancije mozga

završni rad

• Naslov (engleski): Comparison of machine learning models for the autism spectrum disorder classification using brain functional magnetic resonance images
• Autor: Dominik Pavelić
• Mentor: Jelena Božek (mentor)
• Član povjerenstva: Jelena Božek (predsjednik povjerenstva)
• Član povjerenstva: Sonja Grgić (član povjerenstva)
• Član povjerenstva: Ivana Žeger (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2024-07-05, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Poremećaji iz spektra autizma jedni su od najzastupljenijih neurorazvojnih poremećaja, tradicionalne metode dijagnoze često su spore i subjektivne. U ovome radu uspoređene su različite arhitekture modela dubokog učenja za klasifikaciju poremećaja iz spektra autizma korištenjem slika funkcijske magnetske rezonancije (fMRI). Analiza je provedena na 871 uzorku iz ABIDE (Autism Brain Imaging Data Exchange) skupa podataka. Za treniranje modela korištene su matrice funkcijske povezanosti dobivene iz vremenskih serija ekstrahiranih iz 4D fMRI slika. Za model s tri skrivena sloj postignute su najveća točnost od 70,40% i preciznost od 71,55%, a najveći odziv od 77,53% i mjera F1 od 67,16% postignuti su za model s četiri skrivena sloja.

Sažetak (engleski)

Autism spectrum disorder (ASD) is among the most prevalent neurodevelopmental disorders, and traditional diagnostic methods are often slow and subjective. In this study various deep learning model architectures were compared for classifying ASD using functional magnetic resonance imaging (fMRI) images. The analysis was conducted on 871 samples from the ABIDE (Autism Brain Imaging Data Exchange) dataset. Functional connectivity matrices derived from time series extracted from 4D fMRI images were used for training the models. The highest accuracy of 70,40% and precision of 71,55% were achieved by a model with three hidden layers, while the highest recall of 77,53% and F1-score of 67,16% were achieved by a model with four hidden layers.

• Ključne riječi: duboko učenje; klasifikacije; autizam; fMRI; ABIDE
• Ključne riječi (engleski): deep learning; classification; ASD; fMRI; ABIDE
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:867009
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: preddiplomski; Akademski / stručni naziv: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (univ.bacc.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2024-10-12 21:46:37