FenixEdu™

Dissertação

{en_GB=MRI-Based Analysis of Brain Image Atrophy for the Diagnosis of Alzheimer's Disease} {} EVALUATED

Detalhes: {pt=Sem cura conhecida, a Doença de Alzheimer (DA) é a mais comum forma de demência, causando atrofia cerebral progressiva e irreversível. A existência de tratamentos que permitem a desaceleração da progressão da doença evidencia a criticidade de ferramentas que possibilitem um diagnóstico precoce da DA. Técnicas de neuroimagiologia apresentam um papel crítico no Diagnóstico Assistido por Computador (DAC) da doença. Este trabalho analisa o potencial uso de dados longitudinais a curto prazo no campo do DAC da DA. Concretamente, métodos de extração de características por voxel com base em campos de deformação com recurso a algoritmos de registo difeomórfico – o método de Christensen, e o Registo Anatómico Difeomórfico usando Álgebra de Lie (DARTEL) – são utilizados. Destes são extraídos como características normas dos vectores de deformação, bem como determinantes das matrizes Jacobianas. Uma Máquina de Vectores de Suporte (SVM) linear utiliza características longitudinais e transversais para efectuar tarefas de classificação envolvendo sujeitos com DA, Défice Cognitivo Ligeiro (DCL), e controlos saudáveis, dicotomicamente. A combinação de características transversais e longitudinais levou a uma melhoria generalizada na taxa de acerto das classificações, em comparação com quando apenas um tipo de características é utilizado. Em adição, um novo método de selecção de características, com base no Ranking de Informação Mutúa (IM) das intensidades dos vóxeis mostrou melhorias na taxa de acerto de classificação quando utilizando características longitudinais, em comparação com Ranking de IM tradicional. Por fim, os resultados obtidos nesta dissertação são comparáveis com os do estado da arte nesta área., en=With no known cure, Alzheimer’s Disease (AD) is the most common form of dementia, causing progressive and irreversible cerebral atrophy. Since treatments exist that enable the deceleration of disease progression, tools that allow an accurate early diagnosis of AD are crucial. Neuroimaging techniques have a critical role in the Computer-Aided Diagnosis (CAD) of the disease. This work looks into the potential use of short term longitudinal data in the field of the CAD of AD. Concretely, voxel-wise feature extraction methods based on flow fields calculated using diffeomorphic fluid registration algorithms – the Christensen, and Diffeomorphic Anatomical Registration using Exponentiated Lie algebra (DARTEL) methods – are employed. From these, the norms of deformation vectors and the determinants of the Jacobian matrices are derived, and extracted as features. Longitudinal and cross-sectional features are then used by a linear Support Vector Machine (SVM) classifier to perform binary classification tasks involving subjects suffering from AD, Mild Cognitive Impairment (MCI), as well as Cognitively Normal (CN) controls, in a dichotomous fashion. The combination of cross-sectional and longitudinal features led to an overall improvement in the accuracy of classifications, compared to when only one type of feature was used. Furthermore, a novel feature selection method, based on the Mutual Information (MI) Ranking of the Voxel Intensities (VI), was shown to improve the accuracy of classification when using longitudinal features, when compared to traditional MI Ranking. Finally, the results obtained in this study are comparable to those of the state of the art literature in this field.}
Keywords: {pt=Doença de Alzheimer, Atrofia Cerebral, Registo Difeomórfico, Diagnóstico Assistido por Computador., en=Alzheimer’s disease, Magnetic Resonance Imaging, Brain atrophy, Diffeomorphic registration, Computer-Aided diagnosis.}

Discussão: junho 5, 2017, 14:0