Funkcionális konnektivitás mátrixok generálása Generative Adversarial Network modellek segítségével

Nyomtatóbarát változatNyomtatóbarát változat
Típus: 
MSc diplomamunka téma - orvosi fizika
Félév: 
2017/18/2.
Témavezető: 
Név: 
Dr. Légrády Dávid
Email cím: 
legrady@reak.bme.hu
Intézet/Tanszék/Cégnév: 
BME NTI
Beosztás: 
egy.docens
Hallgató: 
Név: 
Hajdu István
Képzés: 
Fizikus MSc - orvosi fizika
Elvárások: 

angol nyelvtudás, önálló munkavégzés, programozási ismeretek

Leírás: 
Az elmúlt néhány évtized egyik legdinamikusabban fejlődő orvosi képalkotó módszere a Mágneses Rezonancia Képalkotás (MRI). A modalitás nagy előnye, hogy eltérő mérési eljárásokkal különféle kontrasztok érhetőek el, így egyes alanyokról számos eltérő anatómiai és funkcionális információ nyerhető. Az agyi képalkotás (neuroimaging) területén különösen népszerűek az MRI alapú kísérletek, mivel a módszer jó térbeli és egyre jobb időbeli felbontású funkcionális képalkotásra képes. Az fMRI adatokból egyes agyterületek közti kapcsolatok erősségére becsülhető, sőt a teljes agy kapcsolati hálózatát jellemző funkcionális konnektivitási mátrix is kiszámítható. 
Az utóbbi években egyre növekvő alanyszámú (néhány száz fős) MRI kísérletek lehetővé tették gépi tanulási algoritmusok alkalmazását agyi felvételek kiértékelésében. A gépi tanulás egyik legfrissebb területe a mély tanulás (deep learning), illetve azon belül is a konvolúciós neurális hálók, melyek eredetileg kétdimenziós képek osztályozására lettek kidolgozva, azonban könnyen kiterjeszthetőek funkcionális konnektivitási mátrixok elemzésére is. A konvolúciós háló alapú osztályzás feltehetően tovább javítható az úgynevezett Generative Adversarial Network (GAN) modellek felhasználásával, amelyek képesek a meglévő tanító minták (konnektivitási mátrixok) halmazát további szimulált mintákkal feldúsítani.
A hallgató feladata a konvolúciós hálók és GAN-ok szakirodalmának széleskörű áttekintése, valamint a GAN módszer adaptálása szimulált konnektivitási mátrixok generálásához.