| Popis: |
Primjena strojnog učenja za predikciju dobi iz MR slika mozga koristi se kao pomoć pri dijagnosticiranju ili u praćenju progresa neuroloških poremećaja te pri donošenju odluka u njihovom liječenju. Kod novorođenčadi, predikcija dobi mozga i njeno odstupanje u odnosu na postmenstrualnu dob može poslužiti u pravovremenom otkrivanju prognoza razvojnih, neuroloških i psihijatrijskih poremećaja. U ovom radu dan je pregled metoda strojnog učenja koje su korištene za predikciju dobi mozga s naglaskom na predikciju postmenstrualne dobi kod novorođenčadi. Opisana je struktura dHCP baze podataka i minimalni izlaz pretprocesiranja strukturnih slika dHCP programskog toka podataka. Napravljen je model strojnog učenja za predikciju dobi novorođenčadi na podskupu od 100 ispitanika snimanih nakon 36. tjedna postmenstrualne dobi iz dHCP baze koristeći T2w slike. Također, nad istim skupom podataka, napravljen je i model strojnog učenja za klasifikaciju novorođenčadi na dvije klase: rođene prije termina (nedonoščad) i rođene u terminu. The application of machine learning for age prediction from brain MR images is used as an aid in diagnosis or monitoring the progress of neurological disorders, as well as in making treatment decisions. In newborns, predicting brain age and its deviation from postmenstrual age can be helpful in timely detection of developmental, neurological and psychiatric disorders. This paper provides an overview of machine learning methods used for predicting brain age, with a focus on postmenstrual age prediction in newborns. The structure of the dHCP database and the output of the dHCP minimal processing pipeline for structural images are described. A machine learning model was built to predict the age of newborns using a subset of 100 subjects scanned after 36 weeks of postmenstrual age from the dHCP database, using T2-weighted images. Additionally, using the same dataset, a machine learning model was created to classify newborns as premature or term born. |
