10. LETNÍ ŠKOLA Matematické biologie
10. letní škola Matematické biologie
je podporována projektem
ESF č. CZ.1.07/2.2.00/28.0043
„Interdisciplinární rozvoj studijního oboru Matematická biologie“

Interdisciplinární rozvoj studijního oboru Matematická biologie

Program 10. letní školy matematické biologie

Detailní časový plán 10. letní školy matematické biologie ke stažení (PDF, 123 kB)


Úterý 9. 9.

Přivítání:

Orientační přehled 10. letní školy matematické biologie
Ing. Daniel Schwarz, Ph.D. --- IBA MU


Středa 10. 9.

Motivace:

Význam zpracování a analýzy obrazů mozku v moderní psychiatrii
doc. MUDr. Tomáš Kašpárek, Ph.D. --- LF MU a FNB
Abstrakt

Sdělení demonstruje principy využití zobrazování mozku pro studium duševních funkcí a jejich poruch, včetně možností využití v klinické praxi. Věnuje se limitacím těchto metod a zdůrazňuje nutnost znalosti biologických procesů, které jsou podkladem zobrazovacích nálezů, pro korektní interpretaci. Přes mnohé překážky a omezení přináší zobrazovací metody významné informace, které nám umožňují hlubší vhled do etiopatogeneze duševních nemocí a které snad v blízké době budeme schopní využít i pro diagnostické a terapeutické účely.

Výuka (přednášky + cvičení):

Zpracování a analýza obrazů: od kamarádů “pixel a voxel” až po segmentaci a metody lícování
Ing. Daniel Schwarz, Ph.D. --- IBA MU

Aplikace:

Slepá dekonvoluce v zobrazování perfúze pomocí MRI a ultrasonografie
Ing. Radovan Jiřík, Ph.D. --- VUT v Brně, ÚPT AV
Abstrakt

Přednáška je zaměřená na kvantifikaci perfúze pomocí zobrazování magnetickou rezonancí a ultrasonografie. Jde o experimentální diagnostické metody v klinickém a preklinickém výzkumu se zaměřením převážně na onkologické aplikace. Tyto metody pomáhají zpřesňovat diagnostiku a sledování průběhu terapie. Jedním z hlavních nedostatků těchto metod je nepřesné měření arteriální vstupní funkce, potřebné pro absolutní kvantifikaci perfúzních parametrů. Budou prezentovány metody, jak lze toto měření obejít pomocí slepé dekonvoluce. Ukázky algoritmů budou uvedeny na preklinických a klinických datech.

Introduction to diffusion-weighted imaging
René Mandl, Ph.D. --- UMC Utrecht
Abstrakt

Diffusion-weighted imaging (DWI) is a magnetic resonance imaging technique that allows us to non-invasively probe the microstructure of brain tissue. Using DWI we can obtain directional information of the fiber bundles in the brain that form the brain’s white matter. It is believed that these white matter fiber bundles are implicated in various neurological and psychiatric diseases and nowadays DWI is extensively used to study the human brain in vivo at different levels ranging from local (at a voxel level) microstructural properties of brain tissue to the level of complete networks (network analysis). In this lecture the basics of diffusion-weighted imaging will be presented as well as various applications and future directions.

Computing average cortical profiles at 3 tesla
René Mandl, Ph.D. --- UMC Utrecht
Abstrakt

The cortex of the human brain can be divided into different layers (or lamina) based on differences in architecture/function. Extensive research conducted over the last decades showed that in particular the frontotemporal part of the cortex is implicated in psychiatric diseases, especially in schizophrenia. Numerous MRI studies using MRI scanners operating at conventional field strengths (e.g. 1.5, 3 tesla) consistently showed a disease-related thinning of the cortex in these regions but these studies could not provide any information on which of the different layers were implicated. The main reason is that at conventional field strengths SNR limitations result in an image resolution that is simply too coarse to detect the individual layers. One solution is to acquire data using ultra-high field (e.g. 7 tesla) MRI because the SNR is directly related to the main magnetic field strength. However, acquiring large datasets at ultra-high field MRI scanners is often more complex than at conventional MRI scanners. Currently we are working on new ways to combine information extracted from 3 tesla and 7 tesla data. Using a series of post-processing steps we are able to extract certain cortical information for existing large sets acquired at 3 tesla containing both patients with schizophrenia and healthy controls. A smaller dataset acquired at 7 tesla will then be used to validate/interpret apparent disease-related laminar differences found at 3 tesla.

Čtvrtek 11. 9.

Motivace:

Operační techniky v neurochirurgii, multimodální fúze obrazu a její využití v neurovědním programu
Ing. Ivo Říha --- FN USA
Abstrakt

Praxe neurochirurgie byla počátkem 90. let od základů změněna vývojem a rutinním použitím výpočetní techniky. K tomuto došlo v přímé návaznosti na revoluční rozvoj zobrazovacích metod tj. MRI, CT a digitálních radiografických systémů. Dalším zpracováním těchto získaných dat jsou nyní schopni neurochirurgové naplánovat operační trajektorie a to jak pro minimálně invazivní výkony spojené s odběrem vzorku tkáně, elektrostimulace tkáně, nebo lokální destrukce tkáně, tak pro otevřené výkony v mozkových tkáních po kraniotomii. Stereotaktické metody se kromě funkčních výkonů aplikují i v případě celé řady různých patologií, ať již se jedná o endoskopické výkony pro hydrocefaly, cysty, intraventrikulární tumory či hematomy, nebo jiné afunkční přístupy, jako jsou biopsie, evakuace hematomu či resekce lézí CNS. Plánování operačních intervencí se provádí na rekonstruovaných řezech, která jsou interpolací získány z primárních axiálních vrstev ať již z MRI či CT. V poslední době se s výhodou užívá zobrazení pomocí obou těchto modalit, jejich následné registrace a superpozice, což vzhledem k povaze obou těchto zobrazení přináší bezesporu obrovskou výhodu. Transformace do stereotaktického prostoru tj. určení nulového bodu a směrnic jednotlivých os kartézského souřadného systému korespondujícího s prostorovým uspořádáním stereotaktického rámu, se děje prostřednictvím MRI/CT kontrastních markerů, které jsou v době akvizice pevně nasazeny na navigačním rámu.

Výuka (přednášky + cvičení):

Metody redukce a klasifikace obrazových dat
RNDr. Eva Janoušová --- IBA MU
Abstrakt

Přednáška následovaná cvičením bude věnována představení metod pro redukci a klasifikaci obrazů, které je možné využít například při diagnostice neuropsychiatrických onemocnění. Mezi nejvíce používané klasifikační metody, tedy metody umožňující zatřídění obrazu do předem definované skupiny (např. pacientů a kontrolních subjektů), patří lineární diskriminační analýza (LDA) a metoda podpůrných vektorů (SVM). Stručně však budou představeny i další klasifikační metody, jako například náhodné lesy či neuronové sítě. Vzhledem k tomu, že pořízená obrazová data bývají velmi rozsáhlá, klasifikaci zpravidla předchází redukce obrazových dat pomocí analýzy hlavních komponent, analýzy nezávislých komponent, výběru oblastí zájmu nebo dalších redukčních metod, se kterými budou účastníci letní školy postupně rovněž seznámeni. Ve cvičení si účastníci vyzkouší redukci i klasifikaci dat na reálném datovém souboru pacientů se schizofrenií.

Algoritmy strojového učení
doc. Ing. Jan Kybic, Ph.D. --- FEL ČVUT
Abstrakt

V přednášce se budeme věnovat segmentaci obrazů příznakovou metodou. Nejprve v každém místě obrazu (pixelu, voxelu, případně superpixelu) vyhodnotíme příznakový vektor, například barvu nebo texturu. Řekneme si, jak takové příznaky vyhodnotit. Pak na základě příznaků pomocí klasifikátoru místo přiřadíme do jednotlivých tříd, v nejjednodušším případě objekt a pozadí. Máme-li k dispozici expertem označená data, použijeme metody učení s učitelem – na přednášce zmíníme lineární klasifikátor, SVM, Adaboost a náhodné rozhodovací stromy. Pokud označená data nemáme, nezbývá než použít učení bez učitele – kromě známé metody k-means zmíníme například EM algoritmus pro odhad parametrů Gaussovského modelu. Segmentaci můžeme často ještě vylepšit využitím prostorových souvislostí jednotlivých tříd. V omezeném čase nebudeme schopni metody probrat do detailu, spíš jen zmíníme základní principy. Na přednášku budou navazovat cvičení, kde si budete moci vámi zvolený algoritmus v Matlabu vyzkoušet.

Aplikace:

Fenomén Deja Vu pohledem výpočetní neuroanatomie
Ing. Radek Mareček --- CEITEC
Abstrakt

Více než dvě třetiny zdravé populace zažívá s různou četností fenomén Deja Vu. Jde o pocit, že opakovaně prožíváme určitou situaci spolu s uvědoměním, že tento pocit je falešný. Ačkoli mechanismus vzniku Deja Vu dosud není objasněn, elektrofyziologické studie na datech získaných z intracerebrálních elektrod naznačují, že Deja Vu u pacientů s temporální epilepsií vzniká jako důsledek drobných chyb v komunikaci mozkových oblastí zapojených do paměťových sítí. V naší studii jsme se zaměřili na zodpovězení otázky, zda u zdravých lidí existuje souvislost mezi morfologií šedé kůry mozkové v paměťových sítích a četností, s jakou zdraví lidé zažívají tento fenomén. S použitím magnetické rezonance byly nasnímány obrazy mozku s vysokým prostorovým rozlišením a zpracovány metodou nezávislých komponent, která dokáže slepě separovat nezávislé zdroje variability v obrazových datech. U jednoho zdroje byl nalezen statisticky významný efekt četnosti Deja Vu. Tento zdroj byl lokalizován do subkortikálních a některých kortikálních, především mesiotemporálních oblastí, které jsou zásadní pro paměťové sítě. V těchto oblastech byl pozorován pokles lokálního objemu šedé hmoty se vzrůstající četností Deja Vu. Naše výsledky tak podporují tvrzení, že Deja Vu fenomén má neurofyziologický substrát a souvisí pravděpodobně s morfologickými a funkčními změnami v paměťových sítích.

Imaging genetics – a way of studying the link between genes and brain structure and function
prof. Giovanni Montana, Ph.D. --- King’s College London
Abstrakt

The aim of the talk is to introduce imaging genetics and its techniques and methods used in searching for associations between genes and brain structure or function. The imaging genetics enables to study how genes influence psychopathology of mental disorders and to investigate genes which are expressed in the brain. In the Alzheimer’s disease research, for example, combining the genetics and brain imaging data has led to increased rates of predicting Alzheimer’s disease.

Pátek 12. 9.

Soutěž studentů