Defesa de Mestrado de Alexandre Yukio Yamashita

Data: 
28/04/2017 - 16:00
Local: 
IC 2 - Sala 85

Título: Descoberta de Biomarcadores em Neuroimagem Associados à Doença de Alzheimer

 

Banca Examinadora
Titulares (Professores Doutores) Unidade / Instituição
Alexandre Xavier Falcão IC/UNICAMP
Clarissa Lin Yasuda FCM/UNICAMP
Fábio Augusto Menocci Cappabianco ICT/UNIFESP
Suplentes (Professores Doutores) Unidade / Instituição
Letícia Rittner FEEC/UNICAMP
Gerberth Adín Ramírez Rivera IC/UNICAMP

 

RESUMO

A doença de Alzheimer (DA) é a principal causa de demência no mundo, afetando 47.5 milhões de pessoas. No Brasil, estima-se que a doença atinja cerca de 1.2 milhão de pessoas, com previsão de dobrar a prevalência até 2030. A DA é uma patologia neurodegenerativa crônica que causa problemas de memória, pensamento e comportamento. Face a sua gravidade, seu diagnóstico precoce é crucial para melhorar a qualidade de vida do paciente e reduzir os altos impactos econômicos causados pela doença. No entanto, o diagnóstico preciso é um problema complexo que exige testes cognitivos e objetivos, registro histórico do paciente, exames clínicos e laboratoriais. Neste contexto, técnicas de aprendizado de máquina têm sido investigadas para auxiliar o diagnóstico através da descoberta de biomarcadores em neuroimagem (descritores de imagem) relacionados a padrões neurodegenerativos. Este trabalho apresenta um estudo sobre a busca desses biomarcadores, propõe um novo descritor de imagem, denominado Residual Center of Mass (RCM), e valida este descritor no problema de diferenciar imagens de indivíduos sem e com DA. Os experimentos envolveram imagens anotadas como pertencentes a indivíduos com DA e a indivíduos sem DA, provenientes de Ressonância Magnética (RM) e de Tomografia por Emissão de Pósitrons (TEP), e disponibilizadas pela Alzheimer's Disease Neuroimaging Initiative. O descritor RCM explora momentos invariantes de imagens e outras operações para realçar regiões periféricas do cérebro. A descrição final das imagens é obtida por seleção das regiões mais relevantes ao problema, determinadas por Análise de Variância (ANOVA). A classificação de padrões usa Support Vector Machine (SVM) e os resultados demonstram desempenhos superiores ou equivalentes em comparação aos de métodos do estado da arte. Através de validação cruzada, k-fold com k = 10, foram alcançadas taxas de acerto de 95.1% e 90.3%, sobre 507 imagens de TEP e 1374 imagens de RM, respectivamente. As regiões do cérebro, quando ordenadas por relevância à detecção de DA, demonstram que as mais discriminativas coincidem com os achados da Medicina.