doctoralThesis
Análise quantitativa de imagens médicas funcionais utilizando métodos de reconhecimento de padrões e inteligência artificial
Autor
VIEIRA, Igor Fagner
Institución
Resumen
Os métodos quantitativos para análises de imagens médicas se limitam a uma descrição não-adaptativa dos volumes de interesse (VOI) e tendem a levar em conta apenas o desempenho discriminativo, quer seja das variáveis de interesse, quer seja dos modelos de aprendizagem de máquina utilizados na tarefa de classificação. O objetivo deste trabalho foi propor uma metodologia para avaliar conjuntamente o desempenho e estabilidade de modelos avançados de classificação e de métodos adaptativos de extração de características descrevendo textura de um dado VOI, visando caracterizar, respectivamente, linfonodos pélvicos e efeito do tratamento de tumores gastrointestinais. Para isso, utilizou-se em ambos os casos imagens de ressonância magnética por difusão ponderada (DWI) e o desempenho de cada modelo foi medido em termos da área sobre a curva ROC (AUC), enquanto a estabilidade foi medida em função do coeficiente de variação (CV), ambos estimados em amostras bootstrap geradas a partir das imagens iniciais. Testes estatísticos não-paramétricos projetados para comparar o desempenho das diferentes abordagens, em diferentes amostras, treinados e testados sob as mesmas condições, foram utilizados para determinar quais modelos apresentaram maior performance em termos de AUC e menor CV durante a classificação. Como resultado, dos sete modelos de classificação, quatro mostraram AUC e CV dentro da margem de aceite, entre eles Logistic Regression, Support Vector Machine, Random Forest e Gradient Boosting com duas ou três características. Por outro lado, em termos de características, entre as cento e três características não-adaptativas avaliadas e desenvolvidas neste trabalho, variáveis como assimetria e curtose apresentaram melhor desempenho. Todavia, no segundo caso clínico, os métodos adaptativos foram mais sensitivos e estáveis na captura do efeito do tratamento ao selecionar automaticamente as regiões discriminativas associadas a cada VOI, sobretudo quando comparado ao parâmetro utilizado na rotina clínica. CNPq Quantitative methods for medical image analysis are limited to a non-adaptive description of volumes of interest (VOI) and tend to take into account only the discriminative performance, either of the variables of interest, or of the machine learning models used in the classification task. The objective of this work was to propose a methodology to jointly evaluate the performance and stability of advanced classification models and adaptive methods of extraction of characteristics describing texture of a given VOI, aiming to characterize, respectively, pelvic lymph nodes and treatment effect of gastrointestinal tumors. For this, DWI images were used in both cases and the performance of each model was measured in terms of the area on the ROC curve (AUC), while the stability was measured as a function of the coefficient of (CV), both estimated in bootstrap samples generated from the initial images. Non-parametric statistical tests designed to compare the performance of the different approaches, in different samples, trained and tested under the same conditions, were used to determine which models presented higher performance in terms of AUC and lower CV during classification. As a result, of the seven classification models, four showed AUC and CV within the accepted range, among them Logistic Regression, Support Vector Machine, Random Forest and Gradient Boosting either with two or three features. On the other hand, in terms of texture features, among the one hundred and three non-adaptive features evaluated and developed in this study, features such as skewness and kurtosis presented better performance. However, in the second clinical case, the adaptive methods were more sensitive and stable in capturing the treatment effect by automatically selecting the discriminative regions associated with each VOI, especially when compared to the parameter used in the clinical routine.