Background: In many severely mentally disordered children, the clinical presentation is complicated by comorbid affective and behavioral dysregulation. Recently, a highly heritable behavioral phenotype of simultaneous deviance on the anxious/depressed, attention problems, and aggressive behavior syndrome scales has been identified on the Child Behavior Checklist Dysregulation Profile (CBCL-DP). The aim of the present pilot study was to determine an equivalent to the CBCL-DP using the Strengths and Difficulties Questionnaire (SDQ). Sampling and Methods: We applied stepwise linear discriminant analyses and receiver operating characteristic (ROC) analysis to data from 543 consecutively referred children and adolescents, aged 5–17 years. The CBCL and the SDQ were completed by parents as part of the diagnostic routine. ICD-10 discharge diagnoses were established in consensus conferences. Results: A combination of five SDQ items (SDQ-Dysregulation Profile, SDQ-DP) yielded the best discrimination of children with and without CBCL-DP and classified 81.0% of the subjects correctly leading to an area under the curve of 0.93. The content of the five SDQ-DP items mirrors well the mixed behavioral phenotype of anxious-depressive, aggressive and attention problems captured by the CBCL-DP. SDQ-DP status was highly correlated with CBCL-DP status and was best defined by a SDQ-DP score ≧5. Conclusions: The psychometric properties of the SDQ-DP have been robustly tested and validated. Based on these results, clinicians may use the SDQ-DP as a useful and economical screening measure to improve the assessment, prevention, and treatment of severe dysregulation in childhood and adolescence. Future investigations should study the longitudinal stability, heritability, and genetic associations of this behavioral phenotype. / Dieser Beitrag ist mit Zustimmung des Rechteinhabers aufgrund einer (DFG-geförderten) Allianz- bzw. Nationallizenz frei zugänglich.

Physiological signals, which are controlled by the autonomic nervous system (ANS), could be used to detect the affective state of computer users and therefore find applications in medicine and engineering. The Pupil Diameter (PD) seems to provide a strong indication of the affective state, as found by previous research, but it has not been investigated fully yet. In this study, new approaches based on monitoring and processing the PD signal for off-line and on-line affective assessment (“relaxation” vs. “stress”) are proposed. Wavelet denoising and Kalman filtering methods are first used to remove abrupt changes in the raw Pupil Diameter (PD) signal. Then three features (PDmean, PDmax and PDWalsh) are extracted from the preprocessed PD signal for the affective state classification. In order to select more relevant and reliable physiological data for further analysis, two types of data selection methods are applied, which are based on the paired t-test and subject self-evaluation, respectively. In addition, five different kinds of the classifiers are implemented on the selected data, which achieve average accuracies up to 86.43% and 87.20%, respectively. Finally, the receiver operating characteristic (ROC) curve is utilized to investigate the discriminating potential of each individual feature by evaluation of the area under the ROC curve, which reaches values above 0.90. For the on-line affective assessment, a hard threshold is implemented first in order to remove the eye blinks from the PD signal and then a moving average window is utilized to obtain the representative value PDr for every one-second time interval of PD. There are three main steps for the on-line affective assessment algorithm, which are preparation, feature-based decision voting and affective determination. The final results show that the accuracies are 72.30% and 73.55% for the data subsets, which were respectively chosen using two types of data selection methods (paired t-test and subject self-evaluation). In order to further analyze the efficiency of affective recognition through the PD signal, the Galvanic Skin Response (GSR) was also monitored and processed. The highest affective assessment classification rate obtained from GSR processing is only 63.57% (based on the off-line processing algorithm). The overall results confirm that the PD signal should be considered as one of the most powerful physiological signals to involve in future automated real-time affective recognition systems, especially for detecting the “relaxation” vs. “stress” states.

The growing need for fast sampling of explosives in high throughput areas has increased the demand for improved technology for the trace detection of illicit compounds. Detection of the volatiles associated with the presence of the illicit compounds offer a different approach for sensitive trace detection of these compounds without increasing the false positive alarm rate. This study evaluated the performance of non-contact sampling and detection systems using statistical analysis through the construction of Receiver Operating Characteristic (ROC) curves in real-world scenarios for the detection of volatiles in the headspace of smokeless powder, used as the model system for generalizing explosives detection. A novel sorbent coated disk coined planar solid phase microextraction (PSPME) was previously used for rapid, non-contact sampling of the headspace containers. The limits of detection for the PSPME coupled to IMS detection was determined to be 0.5-24 ng for vapor sampling of volatile chemical compounds associated with illicit compounds and demonstrated an extraction efficiency of three times greater than other commercially available substrates, retaining >50% of the analyte after 30 minutes sampling of an analyte spike in comparison to a non-detect for the unmodified filters. Both static and dynamic PSPME sampling was used coupled with two ion mobility spectrometer (IMS) detection systems in which 10-500 mg quantities of smokeless powders were detected within 5-10 minutes of static sampling and 1 minute of dynamic sampling time in 1-45 L closed systems, resulting in faster sampling and analysis times in comparison to conventional solid phase microextraction-gas chromatography-mass spectrometry (SPME-GC-MS) analysis. Similar real-world scenarios were sampled in low and high clutter environments with zero false positive rates. Excellent PSPME-IMS detection of the volatile analytes were visualized from the ROC curves, resulting with areas under the curves (AUC) of 0.85-1.0 and 0.81-1.0 for portable and bench-top IMS systems, respectively. Construction of ROC curves were also developed for SPME-GC-MS resulting with AUC of 0.95-1.0, comparable with PSPME-IMS detection. The PSPME-IMS technique provides less false positive results for non-contact vapor sampling, cutting the cost and providing an effective sampling and detection needed in high-throughput scenarios, resulting in similar performance in comparison to well-established techniques with the added advantage of fast detection in the field.

En France, la recherche contre le cancer est un enjeu majeur de santé publique. On estime notamment que le nombre de nouveaux cas de cancer a plus que doublé entre 1980 et 2012. L’hétérogénéité des caractéristiques tumorales, pour un même cancer, impose des défis complexes dans la recherche de traitements efficaces. Dans ce contexte, des espoirs importants sont placés dans la recherche de biomarqueurs prédictifs reflétant les caractéristiques des patients ainsi que de leur tumeur afin d’orienter le choix de la stratégie thérapeutique. Par exemple, pour les cancers colorectaux métastatiques, il est maintenant reconnu que l’ajout de cetuximab (un anti-EGFR) à la chimiothérapie classique (ici le FOLFOX4), n’apporte un bénéfice qu’aux patients dont le gène KRAS est non muté. Le gène KRAS est ici un biomarqueur prédictif binaire, mais de nombreux biomarqueurs sont le résultat d’une quantification ou d’un dosage. L’objectif de cette thèse est dans un premier temps, de quantifier la capacité globale d’un biomarqueur quantitatif à guider le choix du traitement. Après une revue de la littérature, une nouvelle méthode basée sur une extension des courbes ROC est proposée, et comparée aux méthodes existantes. Son principal avantage est d’être non paramétrique, et d’être indépendante de l’efficacité moyenne des traitements. Dans un second temps, lorsqu’un biomarqueur prédictif quantitatif est étudié, la définition d’un seuil de marqueur au-delà duquel la première option de traitement sera préférée, et en-deçà duquel la deuxième option de traitement sera préférée se pose. Une approche reposant sur la définition d’une fonction d’utilité est proposée permettant alors de tenir compte de l’efficacité des traitements ainsi que de leur impact sur la qualité de vie des patients. Une méthode Bayésienne d’estimation de ce seuil optimal est proposée / In France, the cancer research is a major public health issue. The number of new cancer cases nearly doubled between 1980 and 2012. The heterogeneity of the tumor characteristics, for a given cancer, presents a great challenge in the research of new effective treatments. In this context, much hope is placed in the research of predictive (or treatment selection) biomarkers that reflect the patients’ characteristics in order to guide treatment choice. For example, in the metastatic colorectal cancer setting, it is admitted that the addition of cetuximab (an anti-EGFR) to classical chemotherapy (the FOLFOX4), only improve the outcome of patients with KRAS wild-type tumors. In that context, the KRAS gene is a binary treatment selection marker, but plenty of biomarkers result from some quantifications or dosage measurements. The first aim of this thesis is to quantify the global treatment selection ability of a biomarker. After a review of the existing litterature, a method based on an extension of ROC curves is proposed and compared to existing methods. Its main advantage is that it is non-parametric, and that it does not depend on the mean risk of event in each treatment arm. In a second time, when a quantitative treatment selection biomarker is assessed, there is a need to estimate a marker thereshold value above which one treatment is preferred, and below which the other treatment is recommended. An approach that relies on the definition of a utility function is proposed in order to take into account both efficacy and toxicity of treatments when estimating the optimal threshold. A Bayesian method for the estimation of the optimal threshold is proposed

Background: In many severely mentally disordered children, the clinical presentation is complicated by comorbid affective and behavioral dysregulation. Recently, a highly heritable behavioral phenotype of simultaneous deviance on the anxious/depressed, attention problems, and aggressive behavior syndrome scales has been identified on the Child Behavior Checklist Dysregulation Profile (CBCL-DP). The aim of the present pilot study was to determine an equivalent to the CBCL-DP using the Strengths and Difficulties Questionnaire (SDQ). Sampling and Methods: We applied stepwise linear discriminant analyses and receiver operating characteristic (ROC) analysis to data from 543 consecutively referred children and adolescents, aged 5–17 years. The CBCL and the SDQ were completed by parents as part of the diagnostic routine. ICD-10 discharge diagnoses were established in consensus conferences. Results: A combination of five SDQ items (SDQ-Dysregulation Profile, SDQ-DP) yielded the best discrimination of children with and without CBCL-DP and classified 81.0% of the subjects correctly leading to an area under the curve of 0.93. The content of the five SDQ-DP items mirrors well the mixed behavioral phenotype of anxious-depressive, aggressive and attention problems captured by the CBCL-DP. SDQ-DP status was highly correlated with CBCL-DP status and was best defined by a SDQ-DP score ≧5. Conclusions: The psychometric properties of the SDQ-DP have been robustly tested and validated. Based on these results, clinicians may use the SDQ-DP as a useful and economical screening measure to improve the assessment, prevention, and treatment of severe dysregulation in childhood and adolescence. Future investigations should study the longitudinal stability, heritability, and genetic associations of this behavioral phenotype. / Dieser Beitrag ist mit Zustimmung des Rechteinhabers aufgrund einer (DFG-geförderten) Allianz- bzw. Nationallizenz frei zugänglich.

Artificial Neural Networks (ANNs) have been comprehensively researched, both from a computer scientific perspective and with regard to their use for predictive modelling in a wide variety of applications including hydrology and the environment. Yet their adoption for live, real-time systems remains on the whole sporadic and experimental. A plausible hypothesis is that this may be at least in part due to their treatment heretofore as “black boxes” that implicitly contain something that is unknown, or even unknowable. It is understandable that many of those responsible for delivering Early Warning Systems (EWS) might not wish to take the risk of implementing solutions perceived as containing unknown elements, despite the computational advantages that ANNs offer. This thesis therefore builds on existing efforts to open the box and develop tools and techniques that visualise, analyse and use ANN weights and biases especially from the viewpoint of neural pathways from inputs to outputs of feedforward networks. In so doing, it aims to demonstrate novel approaches to self-improving predictive model construction for both regression and classification problems. This includes Neural Pathway Strength Feature Selection (NPSFS), which uses ensembles of ANNs trained on differing subsets of data and analysis of the learnt weights to infer degrees of relevance of the input features and so build simplified models with reduced input feature sets. Case studies are carried out for prediction of flooding at multiple nodes in urban drainage networks located in three urban catchments in the UK, which demonstrate rapid, accurate prediction of flooding both for regression and classification. Predictive skill is shown to reduce beyond the time of concentration of each sewer node, when actual rainfall is used as input to the models. Further case studies model and predict statutory bacteria count exceedances for bathing water quality compliance at 5 beaches in Southwest England. An illustrative case study using a forest fires dataset from the UCI machine learning repository is also included. Results from these model ensembles generally exhibit improved performance, when compared with single ANN models. Also ensembles with reduced input feature sets, using NPSFS, demonstrate as good or improved performance when compared with the full feature set models. Conclusions are drawn about a new set of tools and techniques, including NPSFS and visualisation techniques for inspection of ANN weights, the adoption of which it is hoped may lead to improved confidence in the use of ANN for live real-time EWS applications.

Breast cancer is a major global health problem and the most common form of cancer among women. Major advances in the technologies of imaging provide improved detection and sensitivity with fewer unnecessary biopsies. Commonly used imaging modalities include mammography, ultrasonography, magnetic resonance imaging (MRI), scintimammography, single photon emission computed tomography (SPECT) and positron emission tomography (PET). The current study is focused on breast MRI imaging, especially one of the most promising recent techniques, i.e. the Diffusion Weighted Imaging breast MRI (DWI). DWI is an unenhanced MRI technique, based on volume sequences on various b values (the b value identifies the measurement's sensitivity to diffusion and determines the strength and duration of the diffusion gradients) measuring the mobility of water molecules (Brownian motion) in vivo (in tissues) and provides different and potentially complementary information to Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI) technique. As DWI based on the diffusive properties of water molecules, reflects their random motion resulting from thermal agitation. Water diffusion on breast can be quantified by measuring the mean diffusivity, which is the average of Apparent Diffusion Coefficient (ADC). The ADC can be calculated by making measurements at a low b factor, b1, and a higher b factor, b2. DWI allows the mapping of the diffusion process of molecules by the ADC map. ADC maps are calculated by collecting images with at least 2 different values, b1 and b2, of the b factor. The ADC map is a parametric image whose color scale or gray scale represents the ADC values of the voxels and is usually generated by proprietary or in house software. DWI apart from the 3D anatomical information, provides a noninvasive investigation of tissue vascularity, a novel contrast mechanism in MRI and has a high sensitivity in the detection of changes in the local biologic environment due to a pathologic process. Therefore, in addition to contrast enhancement-based characterization (DCE-MRI), measurement of the motion of water molecules in DWI provides an additional feature for lesion characterization that may further increase the specificity of MRI for classifying breast lesions. The diagnostic task that the current study deals with, accounts for the diagnosis of mass-like lesions in Diffusion Weighed Magnetic Resonance Imaging, based on low ADC values compared to high once in case of benign versus normal tissue. The hypothesis is that diffusivity of water molecules is restricted in environments of high cellularity, intracellular and extracellular edema, high viscosity, and fibrosis, such as malignant tumors, because these conditions become barriers to the movement of water molecules. Therefore, most of breast cancers show low ADC values compared with benign and normal tissue. Many studies have revealed the usefulness of ADC values in the differential diagnosis of breast lesions; however, the clinical effect remains limited because of the substantial overlap between benign and malignant lesions, which presents challenges for implementing a useful diagnostic ADC threshold. The majority of studies, similar to the current study, determined optimal cutoff levels of the ADC value between malignant and benign lesions by using ROC analysis, and ranged from 0.90 to 1.76 × 10-3 mm2/s while the sensitivity and specificity ranged from 63% to 100% and 46% to 97%, respectively. In addition, the methods for measuring ADC differ among reported studies, with the most representative method being the mean value of ADC (mean ± standard deviation) over a Region Of Interest representative of the breast lesion. The purpose of this study was to investigate the ability of histogram characteristics of Apparent Diffusion Coefficient (Apparent Diffusion Coefficient-ADC) to differentiate malignant from benign breast lesions in breast DWI. To this end the ADC maps of representative lesion ROIs were subjected to first order statistics analysis by calculating five first order textural features: Mean value, Standard Deviation, Kurtosis, Skewness and Entropy. This approach is intended to offer a more complete assessment of tumor texture and heterogeneity. The dataset analyzed is comprised of 92 histologically verified breast lesions, originating from 69 women with mammographically and/or ultrasonographically detected or palpable findings. Histology revealed 53 malignant lesions originating from 45 women and 39 benign lesions originating from 26 women. All of the breast MR examinations were performed with a 3T MR scanner, for b= 0, 900 s/mm2. Diagnostic performances of these parameters were compared by receiver operating characteristic (ROC) curve analysis. The mean of ADC of benign lesions [(1.470 ± 0.342) × 10-3 mm2/s] was found to be significantly higher than that of malignant tumours, [(0.965 ± 0.268) × 10-3 mm2/s, (p<0.00001)]. The standard deviation of ADC of benign lesions [(0.184 ± 0.999) × 10-3 mm2/s] was not significantly different from that of malignant tumours, [(0.192 ± 0.151) × 10-3 mm2/s, (p=0.6581)]. The skewness of ADC of benign [-0.303 ± 0.584] was significantly different than that of malignant tumours, 0.210 ± 0.725. (p = 0.0008)]. The kurtosis of ADC of benign [3.003 ± 1.065] was not significantly different from that of malignant tumours, [3.337 ± 1.334. (p=0.0987)]. The entropy of ADC of benign [4.794 ± 0.665] was significantly lower than that of malignant tumours, [5.569 ± 0.649, (p<0.00001)] The corresponding area under the empirical receiver operating characteristic curve was: 0.862 ± 0.042 (95% confidence interval: 0.754, 0.925) for mean of ADC, 0.705 ± 0.054 (95% confidence interval: 0.589, 0.800) for skeweness of ADC, 0.800 ± 0.046 (95% confidence interval: 0.691, 0.874) for entropy of ADC, resulting a good diagnostic performance of DWI for these parameters. On the other hand, an AUC of 0.527 ± 0.063 (95% confidence interval: 0.393, 0.640) and 0.601 ± 0.061 (95% confidence interval: 0.470, 0.707) for Standard deviation and kurtosis respectively, suggests a degree of overlap in ADC values between benign and malignant tumors. In an effort to identify optimal threshold values for differentiating benign versus malignant lesions these were selected to correspond to the points of highest accuracy of the ROC curves. In our study, we obtained two threshold values of mean ADC, both with an accuracy of 83.15%: 1.21 x 10-3 mm2/s with a sensitivity of 86.27% and specificity of 78.95%; and 1.32 x 10-3 mm2/s with a sensitivity of 92.16% and specificity of 71.05%. The threshold value of skeweness was -0.06 with an accuracy of 68.54%, a sensitivity of 66.03% and specificity of 66.67%. Finally, we found two threshold values of entropy, both with an accuracy of 76.40%: 5.17 with a sensitivity of 75.47% and specificity of 71.80%; and 5.21 with a sensitivity of 73.59% and specificity of 74.36%. In conclusion, results of the current study suggest the contribution of texture analysis methods in Diffusion-weighted MRI breast imaging for the quantification of tissue heterogeneity, providing important information for breast cancer diagnosis. Histogram analysis of ADC values in breast cancer has potential for differentiating benign and malignant tumors, providing information about the entire tumor. The mean, skewness and entropy of ADC are valuable parameters that are correlated with pathologic characterization of breast tumors. These 3 ADC parameters significantly elevated the quantitative diagnostic performance of breast DWI and would be effective parameters in distinguishing between malignant and benign breast lesions. Finally, future efforts will also focus on investigating the correlation of extracted texture features with histopathological findings, in order to verify the potential of the proposed texture analysis of ADC map in providing non-invasive prognostic factors of breast cancer. / Ο καρκίνος του μαστού είναι ένα σημαντικό παγκόσμιο πρόβλημα υγείας και η πιο διαδεδομένη μορφή καρκίνου στον γυναικείο πληθυσμό. Η ολοένα και πιο έγκαιρη διάγνωση του καρκίνου του μαστού έχει οδηγήσει σε σημαντική βελτίωση του ρυθμό θεραπείας της νόσου. Σημαντικές πρόοδοι στην τεχνολογία της απεικόνισης παρέχουν τη βελτιωμένη ανίχνευση και ευαισθησία του καρκίνου και οδηγούν σε όλο ένα και λιγότερες περιττές βιοψίες. Οι πιο συνηθισμένες μέθοδοι απεικόνισης, που χρησιμοποιούνται, περιλαμβάνουν την Μαστογραφία, την Υπερηχογραφία, την Μαγνητική Τομογραφία (MRI), την σπινθηρομαστογραφία, την Τομογραφία Εκπομπής Φωτονίων (SPECT) και την Τομογραφία Εκπομπής Ποζιτρονίων (PET). Η παρούσα μελέτη επικεντρώνεται στην τεχνολογία της Απεικόνισης Μαγνητικού Συντονισμού ειδικά σε μία πρόσφατη και ελπιδοφόρα τεχνική απεικόνισης του καρκίνου του μαστού, που ονομάζεται Απεικόνιση Σταθμισμένης Διάχυσης στη Τομογραφία Πυρηνικού Μαγνητικού Συντονισμού (Diffusion Weighted Imaging breast MRI (DWI)). Η DWI είναι μια MRI ακολουθία χωρίς χρήση σκιαγραφικής ουσίας, η οποία βασίζεται σε αλληλουχίες για διάφορες τιμές του παράγοντα διάχυσης b (η τιμή b προσδιορίζει την διαχυτότητα και καθορίζει την ένταση και τη διάρκεια των βαθμωτών πεδίων διάχυσης). Η DWI ποσοστικοποιεί την κινητικότητα των μορίων του νερού (Brownian κίνηση) in vivo (σε ιστούς) και παρέχει διαφορετικές και ενδεχομένως συμπληρωματικές πληροφορίες στην μαστογραφία μαγνητικής τομογραφίας με χρήση σκιαγραφικού (Dynamic Contrast-Enhanced Magnetic Resonance Imaging: DCE-MRI). Η DWI με βάση τις ιδιότητες διάχυσης των μορίων του νερού, αντανακλά την τυχαία κίνησής τους λόγω της θερμικής τους ενέργειας. Η διάχυση του νερού στον μαστό μπορεί να ποσοτικοποιηθεί με τη μέτρηση της μέσης διαχυτότητας, η οποία αναφέρεται ως Φαινόμενος Συντελεστής Διάχυσης (Apparent Diffusion Coefficient-ΑDC). Ο ADC υπολογίζεται ύστερα από μετρήσεις για δυο b τιμές, μια χαμηλή b1 και μια υψηλότερη b2 τιμή. Η DWI επιτρέπει την χαρτογράφηση της διάχυσης των μορίων του νερού μέσω του ADC χάρτη. Ο ADC χάρτης είναι μια παραμετρική εικόνα της οποίας η κλίμακα χρωμάτων ή κλίμακα των τόνων του γκρι, αντιπροσωπεύει τις ADC τιμές των voxels και συνήθως παράγεται από λογισμικό. Οι παραμετρικοί ADC χάρτες απεικόνισης DWI αναπαριστούν τη μικροδομή των ιστών για διάφορους συνδυασμούς τιμών της παραμέτρου b. Η DWI εκτός από 3D ανατομική πληροφορία, παρέχει μια μη επεμβατική διερεύνηση της αγγειοβρίθειας του ιστού, έναν νέο μηχανισμό αντίθεσης στην MRI, και χαρακτηρίζεται από υψηλή ευαισθησία στην ανίχνευση ενδεχόμενων αλλαγών στο τοπικό βιολογικό περιβάλλον, οι οποίες οφείλονται σε παθολογία. Ως εκ τούτου, εκτός από τον χαρακτηρισμό αλλοιώσεων βάση σκιαγραφικής ενίσχυσης (DCE - MRI), η ποσοτικοποίηση της κίνησης των μορίων του νερού στην DWI παρέχει επιπλέον στοιχεία για τον χαρακτηρισμό της αλλοίωσης, κάτι το οποίο μπορεί να αυξήσει περαιτέρω την ειδικότητα της MRI για την ταξινόμηση των αλλοιώσεων του μαστού. Το διαγνωστικό πρόβλημα το οποίο αντιμετώπισε/εστίασε η παρούσα διπλωματική εργασία, αφορά στο χαρακτηρισμό/διάγνωση χωροκατακτητικών αλλοιώσεων (mass-like) του μαστού στην Απεικονιση Μαγνητικου Συντονισμου Σταθμισμενης Διαχυσης (DWI) και την ποσοτικη αναλυση του Φαινομενου Συντελεστη Διαχυσης (ADC) για διαγνωση καρκινου του μαστου. Η ικανότητα διάχυσης των μορίων του νερού περιορίζεται σε περιβάλλον υψηλής κυτταροβρίθιας, ενδοκυττάριων και εξωκυττάριων οιδημάτων, υψηλού ιξώδους και ίνωσης, όπως συμβαίνει στους κακοήθεις όγκους, διότι οι παράγοντες αυτοί εμποδίζουν την κυκλοφορία των μορίων του νερού. Αποτέλεσμα αυτού είναι οι περισσότεροι καρκίνοι του μαστού να παρουσιάζουν χαμηλές ADC τιμές σε σύγκριση με τους καλοήθεις όγκους ή τον φυσιολογικό ιστό. Πολλές μελέτες έχουν δείξει τη χρησιμότητα των ADC τιμών στη διαφορική διάγνωση των αλλοιώσεων του μαστού. Εν τούτοις, το κλινικό αποτέλεσμα παραμένει περιορισμένο λόγω της σημαντικής επικάλυψης καλοήθων και κακοήθων αλλοιώσεων, γεγονός που αποτελεί πρόκληση για την εφαρμογή ενός χρήσιμου διαγνωστικού ορίου της μέσης ADC. Στη πλειοψηφία των μελετών, όπως και στη παρούσα μελέτη, τα βέλτιστα επίπεδα αποκοπής της ADC μεταξύ κακοήθων και καλοήθων αλλοιώσεων προσδιορίστηκαν με τη χρήση ROC ανάλυσης. Στις μέχρι τώρα μελέτες τα διαγνωστικά όρια της μέσης ADC κυμαίνονται από 0.90 έως 1.76 × 10-3 mm2 / s, με ευαισθησία και ειδικότητα να κυμαίνονται από 63% έως 100% και 46% έως 97%, αντίστοιχα. Γεγονός αποτελεί, επίσης, η διαφορετική μέθοδος υπολογισμού της ADC που ακολουθεί η κάθε μελέτη, με πιο συχνή μέθοδο, ο υπολογισμός της μέσης τιμής της ADC (μέση τιμή ± τυπική απόκλιση) σε μια περιοχή ενδιαφέροντος (ROI) μιας αλλοίωσης του μαστού. Σκοπός της παρούσας μεταπτυχιακής διπλωματικής εργασίας ήταν να διερευνηθεί η ικανότητα των χαρακτηριστικών ιστογράμματος του Φαινόμενου Συντελεστή Διάχυσης (Apparent Diffusion Coefficient-ADC) να διαφοροποιούν κακοήθεις από καλοήθεις αλλοιώσεις του μαστού στην Απεικόνιση Μαγνητικού Συντονισμού Σταθμισμένης Διάχυσης (Diffusion Weighted MRI-DWI). Για το σκοπό αυτό, δημιουργήθηκε ο ADC παραμετρικός χάρτης ο οποίος αποτέλεσε τη βάση για την εφαρμογή μεθόδου ανάλυσης υφής εικόνας, και τον υπολογισμό πέντε χαρακτηριστικών υφής πρώτης τάξης: την μέση τιμή, την τυπική απόκλιση, την κύρτωση, την λοξότητα και την εντροπία. Η προσέγγιση αυτή θεωρήθηκε ότι θα προσφέρει μια πιο ολοκληρωμένη αξιολόγηση της υφής του όγκου και της ετερογένειας. Η προσέγγιση εφαρμόσθηκε σε κλινικό δείγμα 92 ιστολογικά αποδεδειγμένων αλλοιώσεων του μαστού, οι οποίες προέρχονται από 69 γυναίκες οι οποίες είχαν νωρίτερα ανιχνευθεί μέσω μαστογραφίας ή/και υπερηχογραφίας ή από ψηλαφητά ευρήματα. Η ιστολογική εξέταση αποκάλυψε 53 κακοήθεις αλλοιώσεις που προέρχονταν από 45 γυναίκες και 39 καλοήθεις αλλοιώσεις από 26 γυναίκες. Όλες οι εξετάσεις μαγνητικής τομογραφίας του μαστού έγιναν με σύστημα MRI 3T και για b=0 και 900 s/mm2. Η διαγνωστική απόδοση/επίδοση των παραμέτρων αυτών συγκρίθηκε με την ανάλυση λειτουργικού χαρακτηριστικού δέκτη (ROC analysis). Τα αποτελέσματα υποδεικνύουν τον σημαντικό ρόλο της ανάλυσης ADC ιστογράμματος χρησιμοποιώντας τα 5 παραπάνω χαρακτηριστικά υφής για την ταυτοποίηση των αλλοιώσεων του μαστού. Οι μετρήσεις της μέσης τιμής, της λοξότητας και της εντροπία της ADC των καλοήθων και κακοήθων αλλοιώσεων του μαστού είχαν στατιστικώς σημαντική διαφορά. Ειδικότερα, η μέση ADC τιμή των καλοήθων όγκων [(1.470 ± 0.342) × 10-3 mm2/s] ήταν σημαντικά υψηλότερη από εκείνη των κακοήθων, [(0.965 ± 0.268) × 10-3 mm2/s, (ρ < 0.00001)]. Η λοξότητα της ADC των καλοήθων όγκων [-0.303 ± 0.584], διέφερε σημαντικά από εκείνη των κακοήθων, [0.210 ± 0.725. (ρ= 0.0008)]. Και η εντροπία της ADC των καλοήθων όγκων [4.794 ± 0.665], ήταν σημαντικά χαμηλότερη από εκείνη των κακοήθων, [5.569 ± 0.649, (ρ < 0.00001)]. Ωστόσο, η τυπική απόκλιση και η κύρτωση της ADC των καλοήθων και κακοήθων αλλοιώσεων του μαστού δεν είχαν στατιστικώς σημαντική διαφορά. Συγκεκριμένα, η τυπική απόκλιση της ADC των καλοήθων όγκων ήταν [(0.184 ± 0.999) × 10-3 mm2/s] ενώ των κακοήθων ήταν [(0.192 ± 0.151) × 10-3 mm2/s, (ρ = 0.6581)] και η κύρτωση της ADC των καλοήθων όγκων ήταν [3.003 ± 1.065] ενώ των κακοήθων ήταν [3.337 ± 1.334, (ρ = 0.0987)]. Η περιοχή κάτω από την ROC καμπύλη (AUC) για τη μέση ADC τιμή ήταν 0.862 ± 0.042 (95% διάστημα εμπιστοσύνης: 0.754, 0.925), για την λοξότητα της ADC ήταν 0.705 ± 0.054 (95% διάστημα εμπιστοσύνης: 0.589, 0.800) και για η εντροπία της ADC ήταν 0.800 ± 0.046 (95% διάστημα εμπιστοσύνης: 0.691, 0.874), και είχαν ως αποτέλεσμα μια καλή διαγνωστική απόδοση/ επίδοση της DWI για τις παραμέτρους αυτές. Από την άλλη πλευρά, η AUC με 0.527 ± 0.063 (95% διάστημα εμπιστοσύνης: 0.393, 0.640) και με 0.601 ± 0.061 (95% διάστημα εμπιστοσύνης: 0.470, 0.707) για την τυπική απόκλιση και την κύρτωση, αντίστοιχα, υποδηλώνει ένα βαθμό επικάλυψης στις ADC τιμές μεταξύ καλοήθων και κακοήθων όγκων. Τα βέλτιστα κατώφλια αποκοπής για διαφοροποίηση καλοήθων έναντι κακοήθων αλλοιώσεων καθορίστηκαν με τον εντοπισμό των σημείων όπου η ακρίβεια ήταν μέγιστη στις καμπύλες ROC. Από τη συγκεκριμένη μελέτη, προέκυψαν δύο τιμές κατωφλίου αποκοπής της μέσης ADC, με την ίδια ακρίβεια 83.15%. Το πρώτο κατώφλι με τιμή 1.21 x 10-3 mm2/s χαρακτηρίζεται με ευαισθησία 86.27% και ειδικότητα 78.95%. Και το δεύτερο κατώφλι με τιμή 1.32 x 10-3 mm2/s χαρακτηρίζεται με ευαισθησία 92.16% και ειδικότητα 71.05%. Το κατώφλι για την λοξότητα της ADC ήταν στα -0.06 με ακρίβεια 68.54%, ευαισθησία 66.03% και ειδικότητα 66.67%. Τέλος, προέκυψαν δύο τιμές κατωφλίου αποκοπής της εντροπίας της ADC με την ίδια ακρίβεια ακρίβεια 76.40%. Το πρώτο κατώφλι με τιμή 5.17 χαρακτηρίζεται με ευαισθησία 75.47% και ειδικότητα 71.80%. Και το δεύτερο κατώφλι με τιμή 5.21 χαρακτηρίζεται με ευαισθησία 73.59% και ειδικότητα 74.36%. Συμπερασματικά, τα αποτελέσματα της παρούσας μελέτης δείχνουν τη συνεισφορά των μεθόδων ανάλυσης υφής εικόνας στη Απεικονιση Μαγνητικου Συντονισμου Σταθμισμενης Διαχυσης (DWI) του μαστού για την ποσοτικοποίηση της ετερογένειας του ιστού, παρέχοντας σημαντικές πληροφορίες για τη διάγνωση του καρκίνου του μαστού. Η ανάλυση ιστογράμματος των ADC τιμών στον καρκίνο του μαστού έχει τη δυνατότητα διαφοροποίησης καλοήθων και κακοήθων όγκων, παρέχοντας πληροφορίες για το σύνολο του όγκου. Η μέση τιμή, η λοξότητα και η εντροπία του ADC είναι πολύτιμες παράμετροι που συσχετίζονται με παθολογικό χαρακτηρισμό των όγκων του μαστού. Αυτές οι 3 ADC παράμετροι αύξησαν σημαντικά την ποσοτική διαγνωστική απόδοση της DWI του μαστού και πιθανότατα να είναι αποτελεσματικές παράμετροι όσον αφορά τη διάκριση μεταξύ καλοήθων και κακοήθων αλλοιώσεων του μαστού Μελλοντικές προσπάθειες πρόκειται να εστιάσουν στη διερεύνηση της συσχέτισης των εξαχθέντων χαρακτηριστικών υφής με ιστοπαθολογικούς δείκτες, με σκοπό την περαιτέρω επιβεβαίωση των προτεινόμενων προσεγγίσεων και ενδεχομένως την χρήση συγκεκριμένων χαρακτηριστικών υφής ως μη επεμβατικών προγνωστικών δεικτών καρκίνου του μαστού.

This thesis deals with oportunity of ROC curve usage in the description of methods that work with sound signals. Specifically, it focuses on ways of detecting of stress in speech signals. The detection itselfs is done in a range of frequencies of the sound signal. There is also a classifier designed using ROC curves that decides whether the input signal is stressed or not. The output of this thesis are findings gathered from analyses and also some recommendation based on those analyses.

This paper deals with sequential likelihood ratio tests based on grouped observations. It is demonstrated that the method of conjugated parameter pairs known from the non-grouped case can be extended to the grouped case obtaining Waldlike approximations for the OC- and ASN- function. For near hypotheses so-called F-optimal groupings are recommended. As example an SPRT based on grouped observations for the parameter of an exponentially distributed random variable is considered.

Le sepsis tardif, défini comme une infection systémique chez les nouveaux nés âgés de plus de 3 jours, survient chez environ 7% à 10% de tous les nouveau-nés et chez plus de 25% des nouveau-nés de très faible poids de naissance qui sont hospitalisés dans les unités de soins intensifs néonatals (USIN). Les apnées et bradycardies (AB) spontanées récurrentes et graves sont parmi les principaux indicateurs précoces cliniques de l'infection systémique chez les prématurés. L'objectif de cette thèse est de déterminer si la variabilité du rythme cardiaque (VRC), la respiration et l'analyse de leurs relations aident au diagnostic de l'infection chez les nouveaux nés prématurés par des moyens non invasifs en USIN. Par conséquent, on a effectué l'analyse Mono-Voie (MV) et Bi-Voies (BV) sur deux groupes sélectionnés de nouveau-nés prématurés: sepsis (S) vs. non-sepsis (NS). (1) Tout d'abord, on a étudié la série RR non seulement par des méthodes de distribution (moy, varn, skew, kurt, med, SpAs), par les méthodes linéaire: le domaine temporel (SD, RMSSD) et dans le domaine fréquentiel (p_VLF, p_LF, p_HF), mais aussi par les méthodes non–linéaires: la théorie du chaos (alphas, alphaF) et la théorie de l'information (AppEn, SamEn, PermEn, Regul). Pour chaque méthode, nous étudions trois tailles de fenêtre 1024/2048/4096, puis nous comparons ces méthodes afin de trouver les meilleures façons de distinguer S de NS. Les résultats montrent que les indices alphaS, alphaF et SamEn sont les paramètres optimaux pour séparer les deux populations. (2) Ensuite, la question du couplage fonctionnel entre la VRC et la respiration nasale est adressée. Des relations linéaires et non-linéaires ont été explorées. Les indices linéaires sont la corrélation (r²), l'indice de la fonction de cohérence (Cohere) et la corrélation temps-fréquence (r2t,f) , tandis que le coefficient de régression non-linéaire (h²) a été utilisé pour analyser des relations non-linéaires. Nous avons calculé les deux directions de couplage pendant l'évaluation de l'indice h2 de régression non-linéaire. Enfin, à partir de l'ensemble du processus d'analyse, il est évident que les trois indices (r2tf_rn_raw_0p2_0p4, h2_rn_raw et h2_nr_raw) sont des moyens complémentaires pour le diagnostic du sepsis de façon non-invasive chez ces patients fragiles. (3) Après, l'étude de faisabilité de la détection du sepsis en USIN est réalisée sur la base des paramètres retenus lors des études MV et BV. Nous avons montré que le test proposé, basé sur la fusion optimale des six indices ci-dessus, conduit à de bonnes performances statistiques. En conclusion, les mesures choisies lors de l'analyse des signaux en MV et BV ont une bonne répétabilité et permettent de mettre en place un test en vue du diagnostic non invasif et précoce du sepsis. Le test proposé peut être utilisé pour fournir une alarme fiable lors de la survenue d'un épisode d'AB tout en exploitant les systèmes de monitoring actuels en USIN. / Late-onset sepsis, defined as a systemic infection in neonates older than 3 days, occurs in approximately 10% of all neonates and in more than 25% of very low birth weight infants who are hospitalized in Neonatal Intensive Care Units (NICU). Recurrent and severe spontaneous apneas and bradycardias (AB) is one of the major clinical early indicators of systemic infection in the premature infant. Various hematological and biochemical markers have been evaluated for this indication but they are invasive procedures that cannot be repeated several times. The objective of this Ph.D dissertation was to determine if heart rate variability (HRV), respiration and the analysis of their relationships help to the diagnosis of infection in premature infants via non-invasive ways in NICU. Therefore, we carried out Mono-Channel (MC) and Bi-Channel (BC) Analysis in two selected groups of premature infants: sepsis (S) vs. non-sepsis (NS). (1) Firstly, we studied the RR series not only by distribution methods (moy, varn, skew, kurt, med, SpAs), by linear methods: time domain (SD, RMSSD) and frequency domain (p_VLF, p_LF, p_HF), but also by non-linear methods: chaos theory (alphaS, alphaF) and information theory (AppEn, SamEn, PermEn, Regul). For each method, we attempt three sizes of window 1024/2048/4096, and then compare these methods in order to find the optimal ways to distinguish S from NS. The results show that alphaS, alphaF and SamEn are optimal parameters to recognize sepsis from the diagnosis of late neonatal infection in premature infants with unusual and recurrent AB. (2) The question about the functional coupling of HRV and nasal respiration is addressed. Linear and non-linear relationships have been explored. Linear indexes were correlation (r²), coherence function (Cohere) and time-frequency index (r2t,f), while a non-linear regression coefficient (h²) was used to analyze non-linear relationships. We calculated two directions during evaluate the index h2 of non-linear regression. Finally, from the entire analysis process, it is obvious that the three indexes (r2tf_rn_raw_0p2_0p4, h2_rn_raw and h2_nr_raw) were complementary ways to diagnosticate sepsis in a non-invasive way, in such delicate patients.(3) Furthermore, feasibility study is carried out on the candidate parameters selected from MC and BC respectively. We discovered that the proposed test based on optimal fusion of 6 features shows good performance with the largest Area Under Curves (AUC) and the least Probability of False Alarm (PFA). As a conclusion, we believe that the selected measures from MC and BC signal analysis have a good repeatability and accuracy to test for the diagnosis of sepsis via non-invasive NICU monitoring system, which can reliably confirm or refute the diagnosis of infection at an early stage.