Ir al contenido

Dialnet


Análisis de imágenes funcionales cerebrales mediante modelos de mezcla de gaussianas y mínimos cuadrados parciales para el diagnóstico de alteraciones neurológicas

  • Autores: Fermín Segovia Román
  • Directores de la Tesis: Juan Manuel Górriz Sáez (dir. tes.), Javier Ramírez Pérez de Inestrosa (codir. tes.)
  • Lectura: En la Universidad de Granada ( España ) en 2011
  • Idioma: español
  • ISBN: 9788469413197
  • Tribunal Calificador de la Tesis: Manuel Graña Romay (presid.), Carlos García Puntonet (secret.), Manuel Gómez Río (voc.), Félix de la Paz López (voc.), María Carmen Carrión Pérez (voc.)
  • Materias:
  • Enlaces
    • Tesis en acceso abierto en: DIGIBUG
  • Resumen
    • Las principales aportaciones de esta Tesis Doctoral se dividen en dos vertientes. Por un lado, el desarrollo de nuevos métodos para el análisis de imágenes funcionales tomográficas, que permiten mejorar la precisión de los sistemas CAD usados para el diagnóstico de enfermedades neurodegenerativas y, por otro lado, la implementación de una herramienta software que acerque estos sistemas CAD a los centros médicos.

      Más concretamente se han desarrollado dos métodos para el análisis de imágenes funcionales:

      - En el capítulo 7 se ha presentado un método que hace uso del Modelo de Mezcla de Gaussianas para agrupar o parcelar los vóxeles de las imágenes, definiendo de esta forma, regiones de interés. Las regiones de interés se definen sobre una imagen que denominamos imagen modelo y que puede ser definida de varias formas. Inicialmente construimos esta imagen como una media de controles, lo que nos lleva a definir como regiones de interés aquellas zonas del cerebro que tienen mayor actividad en personas sanas. Posteriormente, en aras de mejorar los resultados del diagnostico automático, decidimos definir las regiones de interés como aquellas zonas en las que la actividad media de las personas sanas y de las personas enfermas difiere. De esta forma conseguimos que el análisis se centre sólo en las zonas que son útiles para distinguir controles de imágenes patológicas. Una vez construida esta imagen se aplica un algoritmo de mezcla de Gaussianas, que modela las regiones de interés como una suma de k Gaussianas de forma que el centro, la varianza y el peso de las Gaussianas representan respectivamente la posición, la forma y la importancia de las regiones de interés. A partir de estos valores construimos, para cada imagen, un vector de características reducido y que contiene toda la información relevante de la imagen. Este vector contiene un elemento por cada una de las k Gaussianas y se calcula como la activación de la imagen completa para esa Gaussiana.

      - El segundo de los métodos de análisis de imágenes funcionales desarrollado aparece descrito en el capítulo 8 y está basado en la técnica de Mínimos Cuadrados Parciales. Esta técnica, similar a PCA, descompone dos conjuntos de variables como el producto de dos matrices denominadas scores y loadings siguiendo un criterio de maximización de la covarianza. En nuestro caso, los dos conjuntos de variables son los formados por las imágenes funcionales y por las etiquetas de dichas imágenes. Tras la descomposición de estos conjuntos, la matriz de scores correspondiente al conjunto de las imágenes contiene proyecciones de los vóxeles que, a diferencia de PCA, han sido obtenidas teniendo en cuenta las etiquetas de las imágenes. Estas proyecciones conocidas como componentes PLS son usadas como vectores de características.

      El análisis de las imágenes funcionales usando los dos métodos propuestos, tiene como fin extraer vectores de características reducidos que, usados para entrenar un clasificador estadístico, nos permitan mejorar la precisión de los sistemas CAD para enfermedades neurodegenerativas. Por este motivo, estos métodos han sido validados mediante cuatro experimentos distintos en los que se hace uso de imágenes SPECT y PET de tres bases de datos para el diagnóstico de la enfermedad de Alzheimer. Concretamente se usan 97 imágenes SPECT proporcionadas por el Hospital Virgen de las Nieves (Granada), 60 imágenes PET procedentes del centro de diagnóstico PET Cartuja (Sevilla) y 403 imágenes PET seleccionadas de la base de datos de la iniciativa ADNI. Para la construcción de los sistemas CAD se han usado 8 clasificadores estadísticos de diferentes tipos, a saber, clasificador de la media mas cercana, clasificador lineal de Fisher, clasificador bayesiano ingenuo, análisis discriminante lineal, clasificador de los k vecinos más cercanos, árboles de decisión, random forests y máquinas de vectores soporte. Las tasas de acierto de los sistemas CAD han sido estimadas mediante validación leave-one-out y k-fold y los resultados obtenidos son comparados con enfoques anteriores como VAF y PCA. Estos resultados se detallan en el capítulo 9 y se pueden resumir de la siguiente forma:

      La precisión alcanzada por ambos métodos supera, en líneas generales, a la alcanzada por métodos anteriores, reflejándose estas mejoras tanto en la sensibilidad como en la especificidad del diagnóstico asistido. En la comparación entre los dos métodos, el método basado en PLS se muestra más eficaz usando imágenes SPECT, mientras que le método basado en GMM arroja mejores resultados con imágenes PET.

      Finalmente, en el capítulo 10 se ha mostrado una herramienta software destinada a llevar a los centros médicos, los sistemas CAD desarrollados en este trabajo. La implementación se ha realizado sobre Matlab, lo que convierte esta herramienta en multiplataforma en tanto en cuanto, puede ejecutarse sobre diferentes sistemas operativos. Además, su diseño modular permite añadir fácilmente nuevos métodos en el futuro.


Fundación Dialnet

Dialnet Plus

  • Más información sobre Dialnet Plus

Opciones de compartir

Opciones de entorno