Dissertação

{pt_PT=Sparse methods for Alzheimer’s Disease classification} {} EVALUATED

{pt=O diagnóstico da doença de Alzheimer (AD) pela via de imagens obtidas com recurso a biomarcadores é um problema computacional complexo. A grande dimensão do problema é uma consequência da falta de pacientes catalogados em bases de dados, comparativamente com o número de variáveis nas imagens. Atualmente, a maioria das decisões continuam a ser tomadas pelos médicos sem suporte de ferramentas de diagnóstico automático. Este estudo tem como objetivo principal o desenvolvimento de um método de diagnóstico útil e expedito para apoio às decisões dos especialistas. Esta ferramenta de deteção automática de pacientes com Alzheimer usa uma série de métodos esparsos capazes de lidar com problemas de dimensão elevada, induzindo simplificação nos modelos criados. Os dois métodos esparsos usados baseiam-se no parâmetro de regularização norma-L1. O método Lasso, onde os voxels das imagens PET são usados como variáveis e o Grupo Lasso, onde é explorada informação espacial entre os voxels baseados nas regiões cerebrais. Os grupos de voxels usados neste estudo basearam-se na divisão cerebral de Atlas Oxford-Harvard e em regiões alternativas criadas com base em mistura de Gaussianas usando pacientes cognitivamente normais. Os resultados experimentais alcançados na base de dados ADNI, com o método Lasso, foram comparáveis com os últimos estudos publicados. Além disso os resultados melhoraram com a introdução dos grupos pelo Grupo Lasso quando foram usados o Atlas e as regiões agrupadas. Contudo, as regiões selecionadas manualmente pelos peritos continuam a obter resultados mais precisos, reafirmando a necessidade de melhorar a forma como as regiões são selecionadas., en=The diagnosis of Alzheimer's disease (AD) using image biomarkers establishes a complex computational challenge. The high dimensionality of this problem is a consequence of the lack of catalogued patients in the databases compared to the number of variables from the images. Nowadays, most of the decisions are still made by physicians without the support of automatic diagnosis tools. The development of a framework able to help and expedite the medical specialist’s decisions is the main objective of the present study. In this tool, a series of sparse methods capable of dealing with high dimensional problems were used, inducing sparsity in the models created to automatically detect a patient with AD. The two sparse methods used are both based on L1-norm regularization parameter. The Lasso method, where the voxels from PET scans are used as an input, and the Group Lasso, where the spatial information between voxels, based on brain regions, is explored. The groups of voxels used in this study were based on the Atlas Oxford-Harvard brain segmentation and alternative regions based on Gaussian Mixture Models using cognitive normal patients. The experimental results with the Lasso achieved on the ADNI database were consistent when compared with the state-of-art. Furthermore, they improved the results with the introduction of groups by the Group Lasso when the Atlas and clustered regions were used. However, regions selected manually by experts remain to obtain better accuracy results, stating the need to improve how the regions are selected. }
{pt=Doença de Alzheimer, Algoritmos de aprendizagem esparsos, Tomografia por emissão de positrões (PET), Classificação, Regiões de interesse (ROI), en=Alzheimer's Disease (AD), Sparse learning methods, Positron emission tomography (PET), Classification, Regions of interest (ROI)}

Junho 20, 2018, 16:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar