Vorhersage der Erholungsrate des Sehvermögens nach einem Schlaganfall auf der Grundlage von Hirngraphennetzen und tiefen neuronalen Netzen

Dieses multidisziplinäre Projekt stützt sich auf die Forschungsbereiche Neurologie, Informatik und Medizintechnik, um eine neue Methode zur Vorhersage und Diagnose von Sehstörungen nach einer Schädigung des visuellen Systems zu entwickeln. Ziel ist es, Methoden zur Verbesserung des Sehvermögens nach einer Schädigung des Sehnervs, z. B. nach einem Glaukom oder einer Optikusneuropathie, sowie nach einem Schlaganfall zu finden. Etwa ¹/₃ aller Schlaganfallpatienten erleiden eine Schädigung des hinteren Arteriengebiets, die zu Sehstörungen (Hemianopie) führt, die die Lebensqualität beeinträchtigen. Über den Mechanismus, wie das Gehirn mit den überlebenden Neuronen zusammenarbeitet, wie sich das Gehirn erholen kann und welche Arten von Behandlungen sinnvoll sind, ist weniger bekannt. Nach der "Theorie der Aktivierung des Restsehens" können die Sehfunktionen zum Teil aktiviert und wiederhergestellt werden, da einige Reststrukturen nach einer Schädigung in der Regel verschont bleiben. Das EEG ist eine elektrophysiologische Überwachungsmethode zur Aufzeichnung der elektrischen Aktivität des Gehirns. Die Hirnstimulation war eine typische nicht-invasive Methode zur Behandlung von Hirnverletzungen für viele klinische Anwendungen. Hier wurden 24 Patienten in drei Gruppen eingeteilt und nahmen die Hirnstimulationstherapie für zehn Tage an, die EEG-Daten im Ruhezustand wurden aufgezeichnet, während die Patienten die Augen geschlossen hielten und keine Aufgabe hatten, die Daten wurden vorverarbeitet und in ein 3D-Gehirnmodell umgewandelt, die Konnektivität des Gehirns wurde auf Leistung und Phase sowie die Korrelation mit HRP-Daten analysiert, die verschiedenen Bereiche werden für den nächsten Schritt des maschinellen Lernens markiert. Tiefe neuronale Netze (Deep Learning) können uns aufgrund ihrer hohen Leistung mit undefinierten Merkmalen viele Erkenntnisse liefern. Daher kombinieren wir die Deep-Learning-Technologie mit einem Gehirngraphen-Netzwerk, um Vorhersagen darüber zu treffen, wie sich das Gehirn nach einer Hirnstimulationsbehandlung erholt. Im Allgemeinen wird dieses Thema durch die integrierten Technologien wie die Bildgebung des Gehirns und Deep Learning hervorgehoben, und das Ergebnis könnte als eine alternative Möglichkeit angesehen werden, Schlaganfallpatienten in ihrem täglichen Leben zu helfen.

Prediction of vision recovery rate after stroke based brain graph network and deep neural networks

This multidisciplinary project draws from the fields of neurology, informatics and medical engineering research to develop a new method for the prediction and diagnostics of visual dysfunctions after visual system damage. The final goal is to find methods to improve vision after optic nerve damage, for example after glaucoma or optic neuropathy, and for stroke. About ¹/₃ of all stroke patients’ su er posterior artery territory damage which leads to visual impairments (hemianopia) which decreases of life quality. Less is known about the mechanism of how brain works with the neurons which managed to survive and how the brain could recover and which kinds of treatments are useful. According to the "residual vision activation theory”, visual functions can in part be activated and restored because some residual structures are usually spared after damage. EEG is an electrophysiological monitoring method to record electrical activity of the brain. Brain stimulation was a typically noninvasive common method to treat the brain injuries for lot of clinical applications, here 24 patients were assigned into three groups and accepted the brain stimulation therapy for ten days, resting state EEG data was recorded while patients kept eyes closed in a no task condition, the data was preprocessed and resourced into a 3D brain model, brain connectivity were analyzed on power and phase as well as the correlation with HRP data, the di erent areas will be marked for next step machine learning. Deep neural network (deep learning) can allow us to gain lots of insight based on its high performance with undefined features. Therefore, we combine the deep learning technology and brain graph network to make prediction how the brain recovers following brain stimulation treatment. Generally, this topic would be highlighted by the integrated technologies such brain imaging and deep learning, the result could be referred as an alternatively way to help the stroke patients in their daily life.