Brain imaging biomarker normalization, analysis and classification methods to characterize progression of neurodegenerative diseases
Metadata
Show full item recordAuthor
Brahim, A.Editorial
Universidad de Granada
Departamento
Universidad de Granada. Departamento de Teoría de la Señal, Telemática y ComunicacionesMateria
Sistema nervioso Degeneración (Patología) Trastornos neurodegenerativos Imágenes por resonancia magnética Procesado de imágenes Biomarcadores Diagnóstico por imagen Tomografía de emisión
Materia UDC
616.8 612.82 (043.2) 1203
Date
2016Fecha lectura
2016-07-08Referencia bibliográfica
Brahim, A. Brain imaging biomarker normalization, analysis and classification methods to characterize progression of neurodegenerative diseases. Granada: Universidad de Granada, 2016. [http://hdl.handle.net/10481/44095]
Sponsorship
Tesis Univ. Granada. Department of Signal Theory, Telematics and CommunicationsAbstract
La normalización en intensidad es una etapa importante de pre-procesamiento
en el estudio y análisis de imágenes funcionales del cerebro. Como la mayoría de los métodos automáticos de segmentación y de clasificación supervisada de imágenes requieren que las distribuciones del nivel de gris se presenten en un rango de intensidad normalizada y comparable entre sujetos, este procedimiento adquiere un papel cada vez más importante. En la presente tesis doctoral, se proponen nuevos esquemas de normalización de la intensidad para la detección de patrones de Parkinson
en tomografía computarizada de emisión de un sólo fotón (SPECT, del inglés
“Single Photon Emission Tomography”) y en tomografía por emisión de positrones
(PET, del inglés “ Positron Emission Tomography”). El primer método de normalización se basa en un filtrado no-lineal de imágenes utilizando un modelo de mezcla
de Gaussianas (GMM, del inglés “ Gaussian mixture model”), que considera no
solo los niveles de intensidad de cada vóxel, sino también sus coordenadas dentro
de las funciones Gaussianas espaciales así definidas. La normalización se consigue
de acuerdo con un umbral de probabilidad que mide el peso de cada kernel o clúster
en la zona del estriado. Los vóxeles en la región definida como no específica se normalizan en intensidad mediante la eliminación del cl úster cuya probabilidad resulta
no significativa. El segundo método de normalización se basa en la minimización
del error cuadrático medio (MSE, del inglés “ mean-squared error”) que se realiza
mediante una transformación lineal de intensidad a nivel de vóxel. Este enfoque se
basa en la predicción de los diferentes parámetros en la normalización en intensidad
que conduce a la minimización conjunta de la suma de errores cuadráticos entre la
plantilla y la imagen normalizada (estimación lineal óptima bajo este criterio). El
tercer enfoque es una combinación entre los dos métodos anteriores. Por lo tanto,
se basa en la minimización del MSE entre las características extraídas mediante el
modelo GMMde cada imagen y de una plantilla en la región no específica a nivel de
cl úster (de vóxeles). El cuarto enfoque de normalización de la intensidad propuesto
consiste en un modelo predictivo basando en regresión lineal multivariante (MLR,
del inglés “ multivariate linear regression”). Los métodos propuestos se comparan
con otros muchos enfoques empleados hasta la fecha en literatura médica. La comparación se realiza mediante diferentes bases de datos de imágenes SPECT y PET
con el objetivo de determinar la influencia de los algoritmos de normalización de intensidad en etapas de análisis y de clasificación en la precisión de los sistemas de diagnóstico asistido por ordenador (CAD, del inglés “ computer aided diagnosis”) de enfermedades neurológicas. De entre estas enfermedades destacamos el síndrome idiopático de Parkinson (enfermedad de Parkinson) y los síndromes Parkinsonianos atípicos, tales como la atrofia múltiple sistémica (MSA, del inglés “ multiple system atrophy ”) y la parálisis supranuclear progresiva (PSP, del inglés “ progressive supranuclear palsy ”).