Tesis
Descoberta de biomarcadores em neuroimagem associados à doença de Alzheimer
Discovery of biomarkers in neuroimaging associated with the Alzheimer's disease
Registro en:
YAMASHITA, Alexandre Yukio. Descoberta de biomarcadores em neuroimagem associados à doença de Alzheimer. 2017. 1 recurso online (93 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP.
Autor
Yamashita, Alexandre Yukio, 1991-
Institución
Resumen
Orientadores: Alexandre Xavier Falcão, Neucimar Jerônimo Leite Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação Resumo: A doença de Alzheimer (DA) é a principal causa de demência no mundo, afetando 47.5 milhões de pessoas. No Brasil, estima-se que a doença atinja cerca de 1.2 milhão de pessoas, com previsão de dobrar a prevalência até 2030. A DA é uma patologia neurodegenerativa crônica que causa problemas de memória, pensamento e comportamento. Face a sua gravidade, seu diagnóstico precoce é crucial para melhorar a qualidade de vida do paciente e reduzir os altos impactos econômicos causados pela doença. No entanto, o diagnóstico preciso é um problema complexo que exige testes cognitivos e objetivos, registro histórico do paciente, exames clínicos e laboratoriais. Neste contexto, técnicas de aprendizado de máquina têm sido investigadas para auxiliar o diagnóstico através da descoberta de biomarcadores em neuroimagem (descritores de imagem) relacionados a padrões neurodegenerativos. Este trabalho apresenta um estudo sobre a busca desses biomarcadores, propõe um novo descritor de imagem, denominado Residual Center of Mass (RCM), e valida este descritor no problema de diferenciar imagens de indivíduos sem e com DA. Os experimentos envolveram imagens anotadas como pertencentes a indivíduos com DA e a indivíduos sem DA, provenientes de Ressonância Magnética (RM) e de Tomografia por Emissão de Pósitrons (TEP), e disponibilizadas pela Alzheimer's Disease Neuroimaging Initiative. O descritor RCM explora momentos invariantes de imagens e outras operações para realçar regiões periféricas do cérebro. A descrição final das imagens é obtida por seleção das regiões mais relevantes ao problema, determinadas por Análise de Variância (ANOVA). A classificação de padrões usa Support Vector Machine (SVM) e os resultados demonstram desempenhos superiores ou equivalentes em comparação aos de métodos do estado da arte. Através de validação cruzada, k-fold com k = 10, foram alcançadas taxas de acerto de 95.1% e 90.3%, sobre 507 imagens de TEP e 1374 imagens de RM, respectivamente. As regiões do cérebro, quando ordenadas por relevância à detecção de DA, demonstram que as mais discriminativas coincidem com os achados da Medicina Abstract: The Alzheimer's disease (AD) is the main cause of dementia in the world, affecting 47.5 million people. In Brazil, it is estimated that 1.2 million people have the disease, with prevalence expected to double by 2030. AD is a chronic neurodegenerative disorder that causes problems in memory, thinking and behavior. Because of its severity, its early diagnosis is crucial to improve the patient's quality of life and reduce the high economic impacts caused by the disease. However, an accurate diagnosis is a complex task that requires cognitive and objective tests, patient records, clinical and laboratory exams. In this context, machine learning techniques have been investigated to aid the diagnosis, aiming the discovery of neuroimaging biomarkers (image descriptors) related to neurodegenerative patterns. This work presents a study about the search for these biomarkers, proposes a new image descriptor, named Residual Center of Mass (RCM), and validates this descriptor in the problem of classifying images of individuals with and without AD. The experiments involved images labeled as belonging to individuals with AD and individuals without AD, acquired by Magnetic Resonance Imaging (MRI) and Fluorodeoxyglucose-Positron Emission Tomography (FDG-PET), provided by the Alzheimer's Disease Neuroimaging Initiative. The RCM descriptor explores image invariant moments and other operations to enhance peripheral regions of the brain. The final description of the images is obtained by selecting the most relevant regions to the problem, determined by Analysis of Variance (ANOVA). The pattern classification uses Support Vector Machine (SVM) and the results show superior or equal performances compared to state-of-the-art methods. Performing 10-folds cross-validation, we achieved correct classification rates of 95.1% and 90.3% for 507 FDG-PET and 1374 MRI scans, respectively. The brain regions, when ordered by relevance for the detection of AD, show that the most discriminative ones coincide with the findings in Medicine Mestrado Ciência da Computação Mestre em Ciência da Computação