A Machine Learning Model for Predicting Sensor Localization in Brain Networks

הרקע לפרויקט:

ניתוחי מוח למחלות שונות כוללים במקרים רבים הסרה של איזורים פתולוגיים מסוימים, למשל איזור עם גידול סרטני. לצורך שימור ושיקום יכולות תפקודיות קריטיות כמו דיבור, תנועה, ותפקודים קוגניטיביים אחרים, יש צורך למפות איזורים תפקודיים במטופלים. אלקטרודות ייעודיות המונחות ישירות על המוח החשוף מאפשרות להקליט פעילות מוחית חשמלית בטכנולוגיה מבטיחה הנקראת אלקטרוקורטיקוגרפיה (ECOG). במחקרים קודמים הראינו כי נתוני ECOG הנאספו ממספר סנסורים במהלך ניתוח מוח בערות של מטופלים עם גידול מוחי, מכילים מידע הקשור לרשתות מוחיות הקשורות לתפקודים שונים. עם זאת, אנחנו מאמינים שיש שוני בארגון הרשתות בין המטופלים. מציאת שיטות להתאמה אישית של ארגון הרשתות במוח ברמת הפרט הינה שלב קריטי במיפוי המוח.

בפרויקט זה נשתמש בכלים של למידת מכונה ולמידה עמוקה כדי לחזות את הרשתות המוחיות שבהן נמצאים הסנסורים השונים. במהלך הפרויקט נשתמש גם בשיטות שונות של עיבוד אותות על מנת לקבל מאפיינים שונים על כל אות חשמלי במטרה להשתמש במאפיינים אלה לחיזוי הרשת אליה שייך כל סנסור.

מטרת הפרויקט:

מטרת הפרויקט היא הבנה ושימוש בכלים של למידת מכונה ולמידה עמוקה לסיווג של כל סנסור אל הרשת אליה שייך תוך התמקדות ברשת ספציפית, דבר היכול להוביל למיפוי מוח אישי. הפרויקט יכלול ניתוח נתונים, שימוש במודלים מעולמות הלמידה עמוקה ומודלים סטטיסטים על מנת למפות את ארגון הרשתות במוח ברמת הפרט.

תכולת הפרויקט:

עבודת הסטודנטים תכלול : לימוד תאורטי וקריאה בספרות על מחקרים בתחום, עיבוד מקדים של הנתונים, בניית מודלים לחיזוי מיקום האלקטרודות במוח האדם ברמת הפרט, שימוש במודלים סטטיסטים. שימוש ופיתוח כלים בכלים בעיבוד אותות והצגת נתונים.

קורסי קדם:

אין

דרישות נוספות:

עיבוד אותות, מדעי נתונים ביולוגיים, כל ידע בתחום מדעי המוח , יכולות תכנות בפייתון או matlab, מבוא ללמידת מכונה.

מקורות:

1. Assem, M., Hart, M. G., Coelho, P., Romero-Garcia, R., McDonald, A., Woodberry, E., Morris, R. C., Price, S. J., Suckling, J., Santarius, T., Duncan, J., & Erez, Y. (2023). High gamma activity distinguishes frontal cognitive control regions from adjacent cortical networks. Cortex, 159, 286–298. https://doi.org/10.1016/j.cortex.2022.12.007
2. Penny, W. D., Duzel, E., Miller, K. J., & Ojemann, J. G. (2008). Testing for nested oscillation. Journal of Neuroscience Methods, 174(1), 50–61. https://doi.org/10.1016/j.jneumeth.2008.06.035