A multimodal approach to distinguish MCI-C from MCI-NC subjects
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2016 |
| Tipo de documento: | Dissertação |
| Idioma: | eng |
| Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| Texto Completo: | http://hdl.handle.net/10451/25807 |
Resumo: | Tese de mestrado integrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2016 |
| id |
RCAP_25073ba178e9fd14dcd25e595840f4a4 |
|---|---|
| oai_identifier_str |
oai:repositorio.ul.pt:10451/25807 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| repository_id_str |
7160 |
| spelling |
A multimodal approach to distinguish MCI-C from MCI-NC subjectsDoença de AlzheimerDéfice cognitivo ligeiroClassificadoresSelecção de característicasProbabilidade à posterioriTeses de mestrado - 2016Domínio/Área Científica::Ciências Médicas::Biotecnologia MédicaTese de mestrado integrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2016A Doença de Alzheimer (AD, do inglês Alzheimer's Disease) é uma doença neurodegenerativa com crescente prevalência que afecta pessoas com idade mais avançada, habitualmente superior a 65 anos, e constitui entre 60-80% de todos os casos de demência. Provoca uma progressiva degradação dos neurónios e disfunção das sinapses, que constituem a região de ligação entre neurónios. Acredita-se que estas alterações sejam consequentes da acumulação de placas da proteína beta-amilóide no meio extracelular e de alterações anormais na proteína tau no meio intracelular. Consequentemente, com a progressão da doença, o doente começa a manifestar perda de memoria, dificuldade em formular pensamentos e alterações do comportamento, chegando a um estado em que se repercute nas atividades da vida diária. Atualmente, não existe cura para a AD, apenas alguns tratamentos que podem ser feitos para tentar retardar os sintomas e o declínio cognitivo. Estes conseguem ser mais eficazes nas primeiras fases da doença evitando assim piores condições de vida para os doentes. Como geralmente o diagnóstico da AD é tardio, a eficácia dos tratamentos disponíveis torna-se ainda mais limitada. Neste contexto, a doença de Alzheimer é vista como um problema de saúde pública com elevado impacto económico, tendo sido identificada como uma prioridade na investigação atual. Muitos estudos têm como principal objetivo a deteção precoce da AD, para que os tratamentos possam ser usados com a devida antecedência, sendo mais benéficos para o doente. Neste sentido, existe interesse no estudo do défice cognitivo ligeiro (MCI, do inglês: Mild Cognitive Impairment), visto que é considerado como um estado prodrómico da doença de Alzheimer, ou seja, doentes com MCI apresentam sintomas que podem indicar o início de AD antes que os sintomas mais específicos da doença surjam. No entanto, nem todos os casos de MCI desenvolvem AD, alguns permanecem estáveis ou podem reverter o declínio cognitivo. Deste modo, tem especial importância conseguir distinguir sujeitos com MCI que poderão converter (MCI-C), num determinado espaço de tempo, dos que não irão desenvolver a doença, ou seja, os MCI não conversores (MCI-NC). Diversos métodos de aprendizagem automática que aplicam algoritmos de inteligência artificial têm sido utilizados para reconhecer padrões nos dados obtidos através de técnicas ou exames médicos. Pretende-se encontrar padrões nos dados relacionados com a doença e alcançar um diagnóstico precoce confiável, através de classificações com elevada precisão obtidas por estes algoritmos. A combinação dos dados médicos com a inteligência artificial deu origem a uma tecnologia interdisciplinar, a que se dá o nome de diagnóstico auxiliado por computador (CAD, do inglês: Computer-Aided Diagnosis). Nos exercícios de CAD, em particular quando se usam técnicas de neuroimagem, para a criação um modelo de classificação são definidas normalmente cinco etapas: o pré-processamento das imagens, a extração de características, a seleção de características, a classificação e a finalmente avaliação do desempenho do classificador. O pré-processamento pode envolver várias fases, sendo essencialmente usado para eliminar a presença de ruído e heterogeneidades e fazer o alinhamento das imagens. Tanto a extração como a seleção das características permitem reduzir o problema da elevada dimensionalidade existente nas neuroimagens, que advém do excessivo número de voxels/características presentes em cada imagem. Os exames médicos disponíveis para facilitar o diagnóstico da AD são diversos e incluem exames de neuroimagem, análises laboratoriais, testes genéticos e neurofisiológicos. Neste trabalho, foram usadas duas modalidades de imagem que em estudos anteriores provaram ser vantajosas para o diagnóstico da AD: a Tomografia por Emissão de Positrões 8FFluorodesoxiglucose (FDG-PET, do inglês: fluorodeoxyglucose Positron Emission Tomography) que permite detetar hipometabolismo nas regiões afetadas pela doença, e as imagens estruturais de Ressonância Magnética (sMRI, do ingl^es structural Magnetic Resonance Imaging) que permitem detetar perda de volume do tecido cerebral. Ao juntar a informação destas duas modalidades, é possível fornecer ao classificador diferentes tipos de informação, funcional e estrutural, podendo alcançar previsões mais precisas. Por conseguinte, estas técnicas foram testadas individualmente, mas também numa abordagem multimodal. Para evitar o elevado número de voxels/características presentes nas imagens, determinados estudos usam apenas certas regiões do cérebro. No entanto, foi preferida a abordagem em que todos os voxels/características do cérebro são usados para não limitar o estudo apenas a determinadas zonas. Para selecionar as regiões mais relevantes de todo o cérebro e diminuir o problema da dimensionalidade foram usados dois métodos de seleção de características: o LASSO, para o caso em que se usou cada modalidade individualmente, e o group LASSO multi-task, no caso multimodal. O classificador mais utilizado para estudos de AD é a máquina de vetores de suporte (SVM, do inglês: Support Vector Machine). Este classificador é apelativo por se adequar a problemas de elevada dimensionalidade e apresentar bons resultados. No entanto, SVM é um classificador não-probabilístico, ou seja, devolve apenas a classe que prevê para um determinado teste e não uma probabilidade associada. Numa perspectiva clínica, seria mais vantajoso ter uma medida de confiança quanto à previsão feita pelo classificador. Recentemente, foram introduzidos dois classificadores que devolvem probabilidades à posteriori: o Processo Gaussiano (GP, do inglês Gaussian Process) e a Regressão logística (LR, do inglês Logistic Regression). Porem, ainda não foram muito explorados em estudos de AD, especialmente em relação às suas probabilidades à posteriori. Neste âmbito, com a presente tese testaram-se três classificadores (SVM, GP e LR), numa perspectiva multimodal, que junta dados FDG-PET e sMRI da base de dados Alzheimer's Disease Neuroimaging Initiative (ADNI), bem como numa abordagem usando as modalidades individualmente. Estes classfi_cadores foram utilizados em quatro testes de classificação diferentes, nomeadamente, para distinguir: AD de sujeitos com idades avançadas e cognição normal (CN); AD de MCI; CN de MCI e com maior interesse os MCI-C de MCI-NC, num período de tempo de conversão 24 meses. A partir dos resultados obtidos foi possível verificar que tanto o GP como o LR apresentaram resultados de classificação melhores que o SVM, para os casos AD vs CN, AD vs MCI e CN vs MCI. No entanto, na classificação verdadeiramente pertinente em termos científicos, ou seja, quando se testou MCI-C vs MCI-NC, o SVM revelou melhores resultados, sendo que o LR não ficou muito abaixo do SVM, já o GP teve uma performance inferior. É importante salientar que o GP apresentou vantagens em relação às probabilidades à posteriori exibidas pelo LR, visto que demonstrou mais confiança nas previsões feitas, enquanto o LR apresentou probabilidades à posteriori mais próximas do limiar entre a escolha de pertencer a uma classe ou outra. Com esta diferença foi possível demostrar a relevância de ter em consideração a análise das probabilidades à posteriori, em vez de se limitar à analise da precisão do classificador. Em relação ao número de características usadas, o LR necessitou um maior número em comparação ao GP ou SVM, apesar disso, não revelou ter um custo computacional superior aos outros dois classificadores. Quanto aos métodos de seleção de características, LASSO e group LASSO multi-task, destacase que ambos foram eficientes em diminuir o número de características e selecionaram regiões pertinentes, como o hipocampo, amigdala, tálamo, putamen e ventrículo lateral, que estão de acordo com as regiões detectadas em estudos anteriores. Em alguns casos, a abordagem multimodal não revelou ser superior aos resultados obtidos usando as modalidades individualmente. Não obstante, para a distinção entre MCI-C vs MCINC, independentemente do classificador usado, os resultados foram melhores aos obtidos quando se usou as modalidades individualmente. Assim demonstra-se que uma abordagem multimodal apresenta vantagens para diferenciar estes dois grupos de sujeitos.Alzheimer's Disease (AD) is one of the most common neurodegenerative diseases, affecting 60-80% from all dementia cases. Unfortunately, the cure for AD is still not known and only some treatments can be done in its early stages to slow up the symptoms and cognitive decline, avoiding worst patients' living conditions. As most of the AD diagnoses are late, it increases the difficulty of applying the strategies and treatments available. Therefore, current studies aim at detecting AD at an early stage. For this purpose, they are studying mild cognitive impairment (MCI) subjects, as this is normally the first condition before developing AD. Nonetheless, not all MCI patients convert to AD, some remain stable or even may reverse the cognitive decline. In this sense, being able to distinguish between MCI-converters (MCI-C) and MCI-non converters (MCI-NC) reveals a quite important task. In order to distinguish between these and other groups of subjects many classifiers can be used. Classifiers are machine learning algorithms which apply artificial intelligence. These are extremely useful to identify patterns in, for example, medical brain images, to find disease related patterns and try to achieve an early and reliable diagnosis. The Support Vector Machine (SVM) is a widely used classifier for AD studies and is very appealing as it deals well with high-dimensional problems, which is present when using neuroimages because of the high number of voxels in each image. Nonetheless, SVM is a non-probabilistic classifier and only provides the class predicted for a given test. In a clinical perspective, it would be advantageous to also have a confidence level about the prediction made, to avoid diagnosis being hampered by overconfidence. Hence, of late the interest in probabilistic classifiers is rising. The Logistic Regression (LR) and the Gaussian Process (GP) are examples of probabilistic classifiers, but few studies used these methods to present results for AD classification, additionally the analysis of the posterior probability given by these classifiers is also still not well explored. In this context, this thesis proposes the comparison of the performance of probabilistic (LR and GP) and non-probabilistic (SVM) classifiers for AD context with special interest in reaching good results for MCI-C vs MCI-NC. These tests were done using two neuroimaging modalities: the deoxyglucose Positron Emission Tomography (FDG-PET) and structural Magnetic Resonance Imaging (sMRI), in single modal and multimodal approach. A whole-brain approach was chosen, to avoid restringing the model just for certain brain regions. For feature selection methods, the LASSO and group LASSO with L1=L2 regularization, for both single and multimodality cases, were used respectively. Four different binary classification tests involving AD, MCI and elderly cognitive normal (CN) subjects from the Alzheimer's Disease Neuroimaging Initiative (ADNI) database, were performed: AD vs CN, AD vs MCI, CN vs MCI and MCI-C vs MCI-NC with a conversion period of 24 months. The results demonstrated the advantage of using GP and LR as they can achieve state-of-the art classification results and be better than SVM, in most cases, while providing posterior probabilities that will help evaluate how confident the classifier is on its predictions. However, to distinguish MCI-C and MCI-NC, SVM seemed to get better results, with LR being just a little worse than SVM. The posterior probabilities from GP attracted more attention, because they demonstrated higher confidence in results, whereas LR posterior probabilities were mostly near the threshold value, meaning that the class is not chosen with a lot of confidence. Although the multimodal approach did not show always the best results, for the MCI-C vs MCI-NC classification it outperformed the single modality results, independently of the classifier used. Thus, exhibits that is useful to joint information of different modalities to help distinguish between MCI-C and MCI-NC.Silveira, MargaridaMatela, Nuno Miguel de Pinto Lobo e,1978-Repositório da Universidade de LisboaSilva, Rochelle Ann Costa2017-01-10T12:44:16Z201620162016-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10451/25807TID:201611260enginfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-08T16:15:33Zoai:repositorio.ul.pt:10451/25807Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:42:36.946984Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
| dc.title.none.fl_str_mv |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| title |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| spellingShingle |
A multimodal approach to distinguish MCI-C from MCI-NC subjects Silva, Rochelle Ann Costa Doença de Alzheimer Défice cognitivo ligeiro Classificadores Selecção de características Probabilidade à posteriori Teses de mestrado - 2016 Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica |
| title_short |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| title_full |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| title_fullStr |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| title_full_unstemmed |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| title_sort |
A multimodal approach to distinguish MCI-C from MCI-NC subjects |
| author |
Silva, Rochelle Ann Costa |
| author_facet |
Silva, Rochelle Ann Costa |
| author_role |
author |
| dc.contributor.none.fl_str_mv |
Silveira, Margarida Matela, Nuno Miguel de Pinto Lobo e,1978- Repositório da Universidade de Lisboa |
| dc.contributor.author.fl_str_mv |
Silva, Rochelle Ann Costa |
| dc.subject.por.fl_str_mv |
Doença de Alzheimer Défice cognitivo ligeiro Classificadores Selecção de características Probabilidade à posteriori Teses de mestrado - 2016 Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica |
| topic |
Doença de Alzheimer Défice cognitivo ligeiro Classificadores Selecção de características Probabilidade à posteriori Teses de mestrado - 2016 Domínio/Área Científica::Ciências Médicas::Biotecnologia Médica |
| description |
Tese de mestrado integrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2016 |
| publishDate |
2016 |
| dc.date.none.fl_str_mv |
2016 2016 2016-01-01T00:00:00Z 2017-01-10T12:44:16Z |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
masterThesis |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10451/25807 TID:201611260 |
| url |
http://hdl.handle.net/10451/25807 |
| identifier_str_mv |
TID:201611260 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
| eu_rights_str_mv |
openAccess |
| dc.format.none.fl_str_mv |
application/pdf |
| dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
| instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
| instacron_str |
RCAAP |
| institution |
RCAAP |
| reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
| repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
| repository.mail.fl_str_mv |
|
| _version_ |
1799134342297944064 |