Projekty

EDABSS - Analýza EEG signálu pomocou metód hľadania skrytých zdrojov
EEG data analysis by blind source separation methods
Program:	Plán obnovy EÚ
Číslo projektu:	09I03-03-V04-00205
Doba trvania:	1.9.2024 - 31.8.2026
Zodpov. riešiteľ:	Mgr. Rošťáková Zuzana, PhD.
Anotácia:	Metódy hľadania skrytých, priamo nepozorovateľných (latentných) štruktúr (blind source separation methods, BSS) v reálnych dátach patria do skupiny metód strojového učenia bez učiteľa. V nemalej miere sa využívajú pri spracovaní obrazu, medicínskom zobrazovaní alebo v hudbe. Tento projekt sa zameriava najmä na analýzu ľudského elektroencefalogramu (EEG), v ktorom je možné pomocou BSS detegovať úzkopásmové oscilácie reprezentujúce procesy v mozgu, či už u zdravých ľudí alebo pacientov s neurologickými ochoreniami a poškodeniami. Na tento účel sa v praxi často využívajú dvojdimenzionálne BSS, ako je napríklad metóda hlavných alebo nezávislých komponentov, pretože sú ľahko implementovateľné a zrozumiteľné aj pre medicínsku a neurologické komunitu. Vlastnosti získaných latentných komponentov však nie vždy korešpondujú s charakterom reálneho signálu a strácajú tak neurofyziologickú interpretáciu. Metódy tenzorickej dekompozície sú síce komplexnejšie z matematického hľadiska, ale vyznačujú sa vysokou flexibilitou modelu a jeho adaptabilitou na konkrétne reálne dáta. Predkladaný projekt bude skúmať možnosti využitia tenzorickej dekompozície i) pri predspracovaní EEG signálu, detekcií a odstránení artefaktov a nežiadúcich komponentov z EEG, ii) analýze latentnej štruktúry EEG pomocou modelov tenzorickej dekompozície s blokovou štruktúrou umožňujúcou lepšie modelovať vzťahy medzi latentnými komponentami, a iii) analýzu dynamických vlastností EEG latentných komponentov. Nové informácie o latentnej štruktúre EEG ako aj navrhnuté algoritmy prispejú k hlbšiemu pochopeniu procesov prebiehajúcich v mozgu a následne k návrhu procedúr pre liečbu a rehabilitáciu pacientov s neurofyziologickým ochorením alebo poškodením.

QuantMR - Optimalizácia a štandardizácia kvantitatívnych metód zobrazovania magnetickou rezonanciou. Potlačenie kovových artefaktov na nízkopolových MR skeneroch
Optimization and Standardization of Quantitative Magnetic Resonance Imaging Methods. Suppression of Metallic Artifacts on low-field MR Scanners
Program:	Plán obnovy EÚ
Číslo projektu:	09I03-03-V04-00544
Doba trvania:	1.9.2024 - 31.8.2026
Zodpov. riešiteľ:	Ing. Gogola Daniel, PhD.
Anotácia:	Navrhovaný projekt sa bude zaoberať klinicky relevantným problémom štandardizácie kvantitatívneho zobrazovania magnetickou rezonanciou (qMRI) v muskuloskeletálnej (MSK) rádiológii. qMRI predstavuje alternatívu k bežnej klinickej magnetickej rezonancii, ktorá poskytuje iba relatívne intenzity signálu. V súčasnosti dostáva pacient len textovú správu z MRI vyšetrenia. qMRI má ambíciu poskytovať pridané hodnoty v podobe numerických charakteristík čerpaných z MR snímok. Takéto číselné hodnoty by umožnili kvantitatívne charakterizovať biochemické a biomechanické zloženie analyzovaného tkaniva. Okrem toho môžu byť kvantitatívne charakteristiky tkaniva použité ako ďalší diagnostický nástroj. Konkrétne máme na mysli zloženie ľudskej kĺbovej chrupavky, najčastejšie diagnostikovanej v ľudskom kolene, členku a ramene. qMRI teda môže poskytnúť dôležitý kvantitatívny parameter, relaxačný čas T2, ktorý odráža hustotu a architektúru kolagénových vlákien, ako aj obsah vody v kĺbovej chrupavke. Okrem toho môže qMRI mapovať ďalšie parametre, ako je relaxačný čas T1, difúzna konštanta alebo rýchlosť saturačného prenosu, čo sú nepriame indikátory obsahu glykozaminoglykánov a iných biochemických vlastností kĺbovej chrupavky. Kovové implantáty v ľudskom tele sa často používajú najmä v muskuloskeletálnej chirurgii. Magnetické rezonančné zobrazenie kolena obsahujúceho kovový implantát je problematické, ak nie nemožné. Optimalizácia MR protokolov je preto horúcou témou a klinicky vysoko potrebná. Štandardizácia meraní MR v prípade kovových implantátov teda môže pomôcť pri diagnostike, ktorá je dnes nemožná.

cBCI-VR - Pacient-terapeut kolaboratívna BCI-VR neurorehabilitácia po cievnej mozgovej príhode
Collaborative BCI post-stroke neurorehabilitation using a patient-therapist interactive VR environment
Program:	Plán obnovy EÚ
Číslo projektu:	09I03-03-V04-0043
Doba trvania:	1.9.2024 - 31.8.2026
Zodpov. riešiteľ:	Ing. Mgr. Rosipal Roman, DrSc.
Anotácia:	Rastúci počet dôkazov naznačuje, že integrované technológie rozhrania mozog-počítač (BCI) a prostredia virtuálnej reality (VR) poskytujú flexibilnú platformu pre sériu neurorehabilitačných terapií, vrátane významnej motorického zotavenia a kognitívno-behaviorálnej terapie po mozgovej príhode. Keď sa subjekt ponorí do takéhoto prostredia, jeho percepčná úroveň sociálnej interakcie je často narušená v dôsledku suboptimálnej kvality rozhrania, ktorému chýba sociálny aspekt ľudských interakcií. Projekt navrhuje užívateľsky prívetivý inteligentný BCI systém s vhodným prostredím VR, v ktorom pacient aj terapeut spolupracujú prostredníctvom svojich reprezentácií avatarov špecifických pre osobu. Na jednej strane pacient dobrovoľne a vlastným tempom riadi svoju aktivitu v prostredí a interaguje s terapeutom prostredníctvom procesu mentálnych predstáv riadeného BCI. Na druhej strane neobmedzené motorické a komunikačné schopnosti terapeuta umožňujú plne ovládať prostredie. Prostredie VR teda môže flexibilne upravovať terapeut, čo umožňuje vytvárať a vyberať rôzne scenáre pracovnej terapie podľa potrieb pacienta na zotavenie, duševných stavov a okamžitých reakcií.

SQUIDiron - Stanovenie množstva železa v krvi a tkanivách laboratórnych zvierat pomocou SQUID magnetometra
Determination of Iron in blood and tissues of laboratory animals using SQUID magnetometer.
Program:	Plán obnovy EÚ
Číslo projektu:	09I03-03-V04-00528
Doba trvania:	1.9.2024 - 31.8.2026
Zodpov. riešiteľ:	Mgr. Škrátek Martin, PhD.
Anotácia:	Železo je základný chemický prvok, ktorý je súčasťou mnohých metabolických procesov. Množstvo železa v tele však musí byť vyvážené, pretože jeho nadbytok alebo nedostatok môže viesť k vážnym zdravotným problémom. Železo sa v tele nachádza vo feritíne, hemoglobíne alebo transferínových proteínoch. Je známe, že deoxyhemoglobín, methemoglobín a myoglobín vykazujú paramagnetizmus, ktorý pochádza od iónov Fe2+ alebo Fe3+ zabudovaných v ich molekulách. Feritín ako zásobný proteín železa obsahuje atómy Fe mineralizované vo forme oxyhydroxidových nanočastíc, ktorých správanie je superparamagnetické. SQUID magnetometria ponúka možnosť detekcie a kvantifikácie rôznych foriem železa s vysokou citlivosťou a pri stanovení množstva železa v malých vzorkách by mohla byť užitočnejšia než ostatné etablované metódy (kolorimetrické, spektrofotometrické, histochemické alebo atómová absorpčná spektrometria).

Štipendiá pre excelentných PhD. študentov a študentky R1
-
Program:	Plán obnovy EÚ
Doba trvania:	1.9.2023 - 31.8.2026
Zodpov. riešiteľ:	Ing. Pajanová Iveta
Anotácia:	Téma PhD: Aplikácia algoritmov hlbokého učenia na automatizované spracovanie dát z MRI.Anotácia: Automatizovaná identifikácia a segmentácia klinických dát, získaných primárne pomocou MRI, je veľmi žiaduca. Dôvodom je zvyčajne veľká veľkosť dát, čo si vyžaduje obrovské množstvo času, ktorý musí rádiológ investovať do manuálnej segmentácie. Dostupnosť výkonného hardvéru otvára nové možnosti automatizácie týchto procesov a zrýchlenia pomocou techník hlbokého učenia, konkrétne využitím konvolučných neurónových sietí (CNN). Študent sa preto naučí základné princípy funkčnosti MRI zariadenia (teoreticky aj prakticky), vyskúša si manuálnu segmentáciu volumetrických MRI dát a teoreticky aj prakticky sa oboznámi s princípmi CNN. Študent navrhne vlastnú architektúru CNN pre automatizovanú segmentáciu volumetrických dát, následne ju natrénuje, overí a implementuje na testovacích dátach.Výstupom tejto dizertačnej práce by mala byť CNN, ktorá bude schopná nasadenia v klinickej praxi pri diagnostike a kvantitatívnej analýze vybraných tkanív (chrupavka, väzy, šľachy, menisky, podkožný tuk atď.). Ide o teoretickú prácu, pri ktorej je potrebná znalosť základov programovania a ovládanie niektorého programovacieho jazyka. Ako programovacie prostredie na návrh a implementáciu CNN sa bude používať Python s modulom TensorFlow.