Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral
Autor(a) principal: | |
---|---|
Data de Publicação: | 2014 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFABC |
Texto Completo: | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482 |
Resumo: | Orientador: Prof. Dr. João Ricardo Sato |
id |
UFBC_88863514a35a124c029341432bc2cbe4 |
---|---|
oai_identifier_str |
oai:BDTD:75482 |
network_acronym_str |
UFBC |
network_name_str |
Repositório Institucional da UFABC |
repository_id_str |
|
spelling |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebralTRANSTORNO DO DÉFICIT DE ATENÇÃO E HIPERATIVIDADERESSONÂNCIA MAGNÉTICA FUNCIONALTEORIA DOS GRAFOSANÁLISE DE REDES COMPLEXASHIPERATIVIDADETHE ATTENTION DEFICIT AND HYPERACTIVITY DISORDERFUNCTIONAL MAGNETIC RESONANCE IMAGINGSUPPORT VECTOR MACHINESPROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABCOrientador: Prof. Dr. João Ricardo SatoDissertação (mestrado) - Universidade Federal do ABC, Programa de Pós-Graduação em Engenharia da Informação, 2014.O transtorno do déficit de atenção e hiperatividade (TDAH) é um transtorno de neurodesenvolvimento, associado a fatores genéticos e ambientais, compreendendo a sintomatologia: desatenção, hiperatividade e impulsividade. Neste estudo, utilizou-se a teoria dos grafos e a ressonância magnética funcional (fMRI) para obtenção de um método de distinção entre pacientes e controles para o suporte ao diagnóstico do TDAH. O objetivo deste trabalho foi a comparação das medidas de conectividade cerebral de pacientes (TDAH) com sujeitos controle (desenvolvimento típico) por meio da fMRI, medidas de centralidade e o Support Vector Machine (SVM). Utilizou-se a base de dados ADHD-200. Construiu-se um classificador a partir das características extraídas das redes de conectividade cerebral na tentativa de se distinguir entre sujeitos controle e pacientes. O método envolveu o uso do SVM em características de imagens de fMRI, em dois pares de grupos: controle vs pacientes (TDAH) e TDAH subtipos. Foram modelados grafos ponderados e não ponderados e calculadas algumas medidas de centralidade. Na análise por site dos sujeitos controle versus TDAH desatento foram observadas diferenças na conectividade das regiões cerebrais intermediárias, com escore de 63% no limiar 0,25 da centralidade betweenness no site 4. Com grafo ponderado, outras diferenças de conectividade cerebral foram observadas, com escore de 73% para a medida betweenness entre as regiões cerebrais no site 6. A análise dos portadores de TDAH subgrupo desatento versus combinado, no site 6 foram observadas distinções na medida betweenness e no degree das conexões das regiões cerebrais, no limiar de 0,15, com escores de 73% e 77% respectivamente. Em face aos resultados apresentados é possível encontrar algumas distinções nas conexões cerebrais, principalmente entre os sujeitos portadores de TDAH desatento versus TDAH combinado, a partir da extração das características cerebrais, com utilização de algumas medidas de centralidade como variáveis preditoras para o algoritmo SVM.The Attention Deficit and Hyperactivity Disorder (ADHD) is a neurodevelopmental disorder associated with genetic and environmental factors, including the symptoms: inattention, hyperactivity and impulsivity. In this study, we used graph theory and functional magnetic resonance imaging (fMRI) to obtain a method for distinguishing between patients and controls to support the diagnosis of ADHD. The aim of this study was to compare measures of brain connectivity between patients (ADHD) and control subjects (typically developing). We used through fMRI, measures of centrality, support vector machines (SVM) and the database ADHD-200. We built a classifier based on the features extracted from the brain connectivity networks in an attempt to distinguish between patients and control subjects. The method involved the use of SVM in connectivity features in two sets of groups: Control vs. patients (ADHD) and inattentive ADHD vs Combined. Measures of weighted and unweighted graphs were modeled and some measures of centrality were extracted. In the unweighted graph analysis by site and inattentive ADHD vs control subjects comparison, differences were found in the connectivity pattern, with a score of 63% for betweenness centrality in site 4. In weighted graph, further differences in brain connectivity were observed, with a score of 73% also in betweenness in site 6. In this same site, the analysis of patients with ADHD inattentive versus combined subgroup, achieved scores of of 73% (betwenness) and 77% (degree) in unweighted graph analysis. In conclusion, we found some differences in brain connectivity patterns, especially between subjects with ADHD inattentive versus combined ADHD. By using some measures of centrality as predictors for the SVM algorithm, we found moderate classification accuracy in individual groups¿ prediction.Sato, João RicardoKamienski, Carlos AlbertoBiazoli Júnior, Claudinei EduardoSiqueira, Anderson dos Santos2014info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf95 f. : il.http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482&midiaext=69163http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482&midiaext=69162Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=75482porreponame:Repositório Institucional da UFABCinstname:Universidade Federal do ABC (UFABC)instacron:UFABCinfo:eu-repo/semantics/openAccess2022-03-21T13:23:48Zoai:BDTD:75482Repositório InstitucionalPUBhttp://www.biblioteca.ufabc.edu.br/oai/oai.phpopendoar:2022-03-21T13:23:48Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC)false |
dc.title.none.fl_str_mv |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
title |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
spellingShingle |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral Siqueira, Anderson dos Santos TRANSTORNO DO DÉFICIT DE ATENÇÃO E HIPERATIVIDADE RESSONÂNCIA MAGNÉTICA FUNCIONAL TEORIA DOS GRAFOS ANÁLISE DE REDES COMPLEXAS HIPERATIVIDADE THE ATTENTION DEFICIT AND HYPERACTIVITY DISORDER FUNCTIONAL MAGNETIC RESONANCE IMAGING SUPPORT VECTOR MACHINES PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
title_short |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
title_full |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
title_fullStr |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
title_full_unstemmed |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
title_sort |
Aplicação de técnicas de aprendizado de máquina para apoio ao diagnóstico do transtorno de déficit de atenção e hiperatividade por meio da análise de padrões de conectividade cerebral |
author |
Siqueira, Anderson dos Santos |
author_facet |
Siqueira, Anderson dos Santos |
author_role |
author |
dc.contributor.none.fl_str_mv |
Sato, João Ricardo Kamienski, Carlos Alberto Biazoli Júnior, Claudinei Eduardo |
dc.contributor.author.fl_str_mv |
Siqueira, Anderson dos Santos |
dc.subject.por.fl_str_mv |
TRANSTORNO DO DÉFICIT DE ATENÇÃO E HIPERATIVIDADE RESSONÂNCIA MAGNÉTICA FUNCIONAL TEORIA DOS GRAFOS ANÁLISE DE REDES COMPLEXAS HIPERATIVIDADE THE ATTENTION DEFICIT AND HYPERACTIVITY DISORDER FUNCTIONAL MAGNETIC RESONANCE IMAGING SUPPORT VECTOR MACHINES PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
topic |
TRANSTORNO DO DÉFICIT DE ATENÇÃO E HIPERATIVIDADE RESSONÂNCIA MAGNÉTICA FUNCIONAL TEORIA DOS GRAFOS ANÁLISE DE REDES COMPLEXAS HIPERATIVIDADE THE ATTENTION DEFICIT AND HYPERACTIVITY DISORDER FUNCTIONAL MAGNETIC RESONANCE IMAGING SUPPORT VECTOR MACHINES PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DA INFORMAÇÃO - UFABC |
description |
Orientador: Prof. Dr. João Ricardo Sato |
publishDate |
2014 |
dc.date.none.fl_str_mv |
2014 |
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://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482 |
url |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482&midiaext=69163 http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=75482&midiaext=69162 Cover: http://biblioteca.ufabc.edu.br/php/capa.php?obra=75482 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf 95 f. : il. |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFABC instname:Universidade Federal do ABC (UFABC) instacron:UFABC |
instname_str |
Universidade Federal do ABC (UFABC) |
instacron_str |
UFABC |
institution |
UFABC |
reponame_str |
Repositório Institucional da UFABC |
collection |
Repositório Institucional da UFABC |
repository.name.fl_str_mv |
Repositório Institucional da UFABC - Universidade Federal do ABC (UFABC) |
repository.mail.fl_str_mv |
|
_version_ |
1801502094641856512 |