Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/46917 |
Resumo: | Até o momento, o diagnóstico da doença de Parkinson in vivo é clínico e tardio no processo neurodegenerativo. É resultado da morte de neurônios na pars compacta da substância negra, os quais projetam terminais axonais para neoestriado, região do telencéfalo onde pesquisas recentes têm mostrado que as alterações ocorram mais precocemente. A inteligência artificial, por meio da radiômica, mostra-se como um caminho promissor na medicina. Inicialmente aplicada à oncologia, tem potencial no campo das doenças neurodegenerativas, na forma de predições diagnósticas e descoberta de biomarcadores. O objetivo deste trabalho consistiu em desenvolver modelos de predição diagnóstica, baseados em aprendizado de máquina, a partir de características radiômicas extraídas de imagem de ressonância magnética do neoestriado em indivíduos na fase precoce da doença de Parkinson. Conduziu-se um estudo retrospectivo, caso-controle, com amostra de 70 indivíduos com doença de Parkinson de início precoce e 22 controles, obtidos do Parkinson’s Progression Markers Initiative. A partir sequência ponderada em T1, foi feita segmentação automática do neoestriado e extraídas 108 características radiômicas semânticas, de primeira e de segunda ordem. Foram testados 11 algoritmos de aprendizado de máquina e os quatro melhores foram usados para desenvolver modelos de classificação, usando a técnica de validação cruzada k-fold 10, a partir dos dados balanceados, normalizados e reduzidos por meio da análise de componentes principais. As métricas para avaliar os desempenhos foram acurácia, sensibilidade, especificidade e área sob a curva ROC. Dentre os modelos testados, a Floresta Aleatória destacou-se com melhor desempenho, obtendo acurácia de 84,8%, sensibilidade 76,4%, especificidade 92,9% e AUC 84,7%. Conclui-se que o diagnóstico por aprendizado de máquina apresentou boa performance na detecção da doença de Parkinson em fase precoce a partir de características radiômicas de ressonância magnética do neoestriado. |
id |
UFPE_986df0ecd8c190b0089e6b159c1f1dff |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/46917 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
ACCIOLY, Alicia Rafaela Martinezhttps://lattes.cnpq.br/4974876880600807http://lattes.cnpq.br/6032387770807260http://lattes.cnpq.br/3467785170975106DINIZ, Paula Rejane BeserraBISPO, Dharah Puck Cordeiro Ferreira2022-10-06T13:47:19Z2022-10-06T13:47:19Z2022-09-19ACCIOLY, Alicia Rafaela Martinez. Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce. 2022. Dissertação (Mestrado em Neuropsiquiatria e Ciências do Comportamento) – Universidade Federal de Pernambuco, Recife, 2022.https://repositorio.ufpe.br/handle/123456789/46917Até o momento, o diagnóstico da doença de Parkinson in vivo é clínico e tardio no processo neurodegenerativo. É resultado da morte de neurônios na pars compacta da substância negra, os quais projetam terminais axonais para neoestriado, região do telencéfalo onde pesquisas recentes têm mostrado que as alterações ocorram mais precocemente. A inteligência artificial, por meio da radiômica, mostra-se como um caminho promissor na medicina. Inicialmente aplicada à oncologia, tem potencial no campo das doenças neurodegenerativas, na forma de predições diagnósticas e descoberta de biomarcadores. O objetivo deste trabalho consistiu em desenvolver modelos de predição diagnóstica, baseados em aprendizado de máquina, a partir de características radiômicas extraídas de imagem de ressonância magnética do neoestriado em indivíduos na fase precoce da doença de Parkinson. Conduziu-se um estudo retrospectivo, caso-controle, com amostra de 70 indivíduos com doença de Parkinson de início precoce e 22 controles, obtidos do Parkinson’s Progression Markers Initiative. A partir sequência ponderada em T1, foi feita segmentação automática do neoestriado e extraídas 108 características radiômicas semânticas, de primeira e de segunda ordem. Foram testados 11 algoritmos de aprendizado de máquina e os quatro melhores foram usados para desenvolver modelos de classificação, usando a técnica de validação cruzada k-fold 10, a partir dos dados balanceados, normalizados e reduzidos por meio da análise de componentes principais. As métricas para avaliar os desempenhos foram acurácia, sensibilidade, especificidade e área sob a curva ROC. Dentre os modelos testados, a Floresta Aleatória destacou-se com melhor desempenho, obtendo acurácia de 84,8%, sensibilidade 76,4%, especificidade 92,9% e AUC 84,7%. Conclui-se que o diagnóstico por aprendizado de máquina apresentou boa performance na detecção da doença de Parkinson em fase precoce a partir de características radiômicas de ressonância magnética do neoestriado.To date, the in vivo diagnosis of Parkinson’s disease is clinical and late in the neurodegenerative process. It is a result of the death of neurons in the pars compacta substantia nigra, which project axonal terminals to neostriatum, a region of the telencephalon where recent research has shown that changes occur earlier. Artificial intelligence, through radiomics, shows itself as a promising path in medicine. Already applied to oncology, it has potential in the field of neurodegenerative diseases, in the form of diagnostic predictions and discovery of biomarkers. The aim of this study was to develop diagnostic prediction models, based on machine learning from radiomic features extracted from magnetic resonance imaging of the neostriatum in individuals in the early stage of Parkinson’s disease. A retrospective, case-control study was conducted with a sample of 70 individuals with early-onset of Parkinson’s disease and 22 controls, extracted from the Parkinson’s Progression Markers Initiative. From T1- weighted magnetic resonance imaging, automatic segmentation of the neostriatum was performed and 108 semantic, first and second order radiomic features were extracted. Eleven machine learning algorithms were tested and the four best were used to develop classification models, using the 10-fold cross-validation technique, from the balanced, normalized and reduced data through principal component analysis. The metrics to evaluate the performances were accuracy, sensitivity, specificity and area under the ROC curve. Among the models tested, the Random Forest stood out with the best performance, obtaining accuracy of 84.8%, sensitivity 76.4%, specificity 92.9% and AUC 84.7%. It is concluded that the diagnosis by machine learning showed good performance in the detection of Parkinson’s disease at an early stage from the radiomic characteristics of magnetic resonance imaging of the neostriatum.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Neuropsiquiatria e Ciencia do ComportamentoUFPEBrasilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/embargoedAccessImageamento por Ressonância MagnéticaDoença de ParkinsonNeostriadoAprendizado de MáquinaAplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoceinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPECC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/46917/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52TEXTDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdf.txtDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdf.txtExtracted texttext/plain134541https://repositorio.ufpe.br/bitstream/123456789/46917/4/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf.txt8f76395e71a7cece0efa5b6556c22e92MD54THUMBNAILDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdf.jpgDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdf.jpgGenerated Thumbnailimage/jpeg1263https://repositorio.ufpe.br/bitstream/123456789/46917/5/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf.jpg05aaca5e6b2d07def04b0de4518f7237MD55ORIGINALDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdfDISSERTAÇÃO Alicia Rafaela Martinez Accioly.pdfapplication/pdf8873174https://repositorio.ufpe.br/bitstream/123456789/46917/1/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf23e73ef4b89019b2f50605b241ba378fMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-82362https://repositorio.ufpe.br/bitstream/123456789/46917/3/license.txt5e89a1613ddc8510c6576f4b23a78973MD53123456789/469172022-10-07 03:05:46.049oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212022-10-07T06:05:46Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
title |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
spellingShingle |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce ACCIOLY, Alicia Rafaela Martinez Imageamento por Ressonância Magnética Doença de Parkinson Neostriado Aprendizado de Máquina |
title_short |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
title_full |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
title_fullStr |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
title_full_unstemmed |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
title_sort |
Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce |
author |
ACCIOLY, Alicia Rafaela Martinez |
author_facet |
ACCIOLY, Alicia Rafaela Martinez |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
https://lattes.cnpq.br/4974876880600807 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/6032387770807260 |
dc.contributor.advisor-coLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3467785170975106 |
dc.contributor.author.fl_str_mv |
ACCIOLY, Alicia Rafaela Martinez |
dc.contributor.advisor1.fl_str_mv |
DINIZ, Paula Rejane Beserra |
dc.contributor.advisor-co1.fl_str_mv |
BISPO, Dharah Puck Cordeiro Ferreira |
contributor_str_mv |
DINIZ, Paula Rejane Beserra BISPO, Dharah Puck Cordeiro Ferreira |
dc.subject.por.fl_str_mv |
Imageamento por Ressonância Magnética Doença de Parkinson Neostriado Aprendizado de Máquina |
topic |
Imageamento por Ressonância Magnética Doença de Parkinson Neostriado Aprendizado de Máquina |
description |
Até o momento, o diagnóstico da doença de Parkinson in vivo é clínico e tardio no processo neurodegenerativo. É resultado da morte de neurônios na pars compacta da substância negra, os quais projetam terminais axonais para neoestriado, região do telencéfalo onde pesquisas recentes têm mostrado que as alterações ocorram mais precocemente. A inteligência artificial, por meio da radiômica, mostra-se como um caminho promissor na medicina. Inicialmente aplicada à oncologia, tem potencial no campo das doenças neurodegenerativas, na forma de predições diagnósticas e descoberta de biomarcadores. O objetivo deste trabalho consistiu em desenvolver modelos de predição diagnóstica, baseados em aprendizado de máquina, a partir de características radiômicas extraídas de imagem de ressonância magnética do neoestriado em indivíduos na fase precoce da doença de Parkinson. Conduziu-se um estudo retrospectivo, caso-controle, com amostra de 70 indivíduos com doença de Parkinson de início precoce e 22 controles, obtidos do Parkinson’s Progression Markers Initiative. A partir sequência ponderada em T1, foi feita segmentação automática do neoestriado e extraídas 108 características radiômicas semânticas, de primeira e de segunda ordem. Foram testados 11 algoritmos de aprendizado de máquina e os quatro melhores foram usados para desenvolver modelos de classificação, usando a técnica de validação cruzada k-fold 10, a partir dos dados balanceados, normalizados e reduzidos por meio da análise de componentes principais. As métricas para avaliar os desempenhos foram acurácia, sensibilidade, especificidade e área sob a curva ROC. Dentre os modelos testados, a Floresta Aleatória destacou-se com melhor desempenho, obtendo acurácia de 84,8%, sensibilidade 76,4%, especificidade 92,9% e AUC 84,7%. Conclui-se que o diagnóstico por aprendizado de máquina apresentou boa performance na detecção da doença de Parkinson em fase precoce a partir de características radiômicas de ressonância magnética do neoestriado. |
publishDate |
2022 |
dc.date.accessioned.fl_str_mv |
2022-10-06T13:47:19Z |
dc.date.available.fl_str_mv |
2022-10-06T13:47:19Z |
dc.date.issued.fl_str_mv |
2022-09-19 |
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.citation.fl_str_mv |
ACCIOLY, Alicia Rafaela Martinez. Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce. 2022. Dissertação (Mestrado em Neuropsiquiatria e Ciências do Comportamento) – Universidade Federal de Pernambuco, Recife, 2022. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/46917 |
identifier_str_mv |
ACCIOLY, Alicia Rafaela Martinez. Aplicação do aprendizado de máquina em imagens de ressonância magnética do neoestriado para o diagnóstico da doença de Parkinson em fase precoce. 2022. Dissertação (Mestrado em Neuropsiquiatria e Ciências do Comportamento) – Universidade Federal de Pernambuco, Recife, 2022. |
url |
https://repositorio.ufpe.br/handle/123456789/46917 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ info:eu-repo/semantics/embargoedAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/br/ |
eu_rights_str_mv |
embargoedAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Neuropsiquiatria e Ciencia do Comportamento |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/46917/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/46917/4/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/46917/5/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/46917/1/DISSERTA%c3%87%c3%83O%20Alicia%20Rafaela%20Martinez%20Accioly.pdf https://repositorio.ufpe.br/bitstream/123456789/46917/3/license.txt |
bitstream.checksum.fl_str_mv |
e39d27027a6cc9cb039ad269a5db8e34 8f76395e71a7cece0efa5b6556c22e92 05aaca5e6b2d07def04b0de4518f7237 23e73ef4b89019b2f50605b241ba378f 5e89a1613ddc8510c6576f4b23a78973 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310847468404736 |