Dissertação

{en_GB=Computer aided diagnosis of Alzheimer’s disease from brain images: a method robust to registration errors} {} EVALUATED

{pt=A doença de Alzheimer (AD) é uma doença neurodegenerativa crónica progressiva que afeta milhões de pessoas mundialmente, maioritariamente idosas. Apesar de não existir cura para a AD, a sua deteção precoce é crucial, pois a sua gestão eficaz pode prevenir a progressão para estadios mais severos. A incerteza inerente ao diagnóstico clínico da AD tem levado à pesquisa de biomarcadores onde a neuroimagiologia, e nomeadamente a tomografia por emissão de positrões (PET), assume um papel central. Para que as imagens adquiridas possam ser utilizadas no diagnóstico assistido por computador da AD, contudo, é geralmente necessário realizar o seu registo para um referencial padrão de coordenadas espaciais. Este processo pode ser complexo, dado que vários desafios, incluindo a variabilidade anatómica inter-sujeito, são encontrados, e possíveis erros de classificação podem advir de uma transformação de coordenadas incorreta. Neste trabalho, para encontrar um método robusto a estes erros de registo, e partindo da abordagem baseada em textons, vários métodos foram considerados e aplicados em conjuntos de dados registados ou não. Diferentes features foram ainda consideradas, nomeadamente aprendidas usando auto-codificadores empilhados (SSAE) e a intensidade dos voxels, quer extraídos de todo o cérebro, de patches ou de regiões de interesse. A classificação binária entre sujeitos cognitivamente normais, diagnosticados com AD ou com défice cognitivo ligeiro (MCI) foi efetuada de forma dicotómica e foram retiradas conclusões relativas à precisão e robustez dos diferentes métodos, confirmando particularmente a robustez da abordagem baseada em textons aplicada às imagens totais do cérebro e das features aprendidas usando SSAE., en=Alzheimer’s disease (AD) is a chronic progressive neurodegenerative disease affecting millions of people worldwide and prominently the elderly. While there is still no cure for AD, its early detection is crucial, as an effective management of the disease may help prevent the progression to more severe stages. The inherent uncertainty in the clinical diagnosis of AD has driven a search for biomarkers, where brain imaging, and namely positron emission tomography (PET), assumes a key role. For the acquired neuroimaging data to be used for computer aidded diagnosis of AD, however, it’s usually necessary to perform image registration to a standard spatial coordinate system. This can be troublesome, as many challenges, including inter-subject anatomical variability, are encountered, so that possible misclassification errors might result from a poor coordinate transformation. In this work, in the attempt to find a method robust to such registration errors, and building from the texton-based approach, several methods were considered and applied on both registered and non-registered datasets. Additional feature representations were considered, namely learned using a stacked sparse autoencoder (SSAE) and the raw voxel intensity values, either extracted from the whole brain, patches or identified regions of interest. Binary classification among cognitively normal subjects, patients diagnosed with AD and with mild cognitive impairment (MCI) was performed in a dichotomous fashion and conclusions regarding the accuracy and robustness of the diferent methods were drawn, particularly confirming the robustness of the texton-based approach applied on the whole brain images and of the learned feature representations using SSAE.}
{pt=Doença de Alzheimer, Diagnóstico assistido por computador, Tomografia por emissão de positrões, Registo, Textons, Classificação, en=Alzheimer’s disease, Computer aided diagnosis, Positron emission tomography, Registration, Textons, Classification}

Junho 19, 2019, 12:0

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar