Caracterización de imágenes cerebrales mediante distribuciones alfa-estables e isosuperficies. Combinación de marcadores heterogéneos

Abstract

La realización de esta tesis doctoral ha incluido una serie de propuestas, evaluadas experimentalmente, que tratan de mejorar el análisis de datos neurológicos para el estudio de la demencia desde tres puntos de vista diferentes: 1. Por un lado, se ha propuesto un método para el cálculo de componentes de un modelo de mezclas de distribuciones -estables usando el algoritmo EM. Este método se ha empleado también para la segmentación de imágenes estructurales y pone en relieve, a través del análisis de las distribuciones de intensidad de la materia blanca y de la materia gris, la mejora que el uso de este tipo de distribuciones presenta a la hora de modelar datos de entrada con una fuerte impulsividad y/o con colas pesadas. 2. El segundo punto tiene que ver con la necesidad de proponer nuevos marcadores en neuroimagen que ayuden a explicar mejor el estado y la evolución de la demencia. Para ello se ha propuesto un análisis morfológico con isosuperfi cies que ha permitido cuantifi car la pérdida de transportadores dopaminérgicos en la vía nigroestriada relacionadas con la neurodegeneración de la EP. Este modelo cuenta con la ventaja adicional de ser fácilmente interpretable desde el punto de vista físico, y de que su aplicación puede extenderse al análisis de otros tipos de trastornos neurológicos. 3. El último punto trata sobre cómo analizar toda la información disponible en bases de datos en las que se incorporan imágenes médicas y otros tipos de pruebas clínicas. Por un lado, se ha propuesto un análisis de cada una de las fuentes de información disponibles en repositorios como DIAN, y se ha evaluado la importancia que tiene cada uno de estos tipos de datos en diferentes fases de la enfermedad. Este modelo sólo ha tratado de avalar un modelo teórico publicado años atrás sobre la EA. Por otro lado, la segunda contribución en este punto ha estado relacionada con la propuesta de un método de aprendizaje de conjuntos (ensemble) basado en el voto por mayoría ponderado pero de forma no-lineal. Como se justifi ca a partir de los resultados obtenidos analizando el repositorio PPMI, esta propuesta es capaz de descartar de manera automática los tipos de datos de entrada poco fiables y puede emplearse tanto en escenarios de clasi ficación como de regresión. En de finitiva, la evolución del aprendizaje máquina en neurociencia requiere del desarrollo de nuevos modelos matemáticos más precisos; de una mejor caracterización de los procesos biológicos del sistema nervioso central, a partir de nuevos marcadores; y de la combinación, en términos de aprendizaje, de todas las fuentes de información relevantes que se les pueda proporcionar al sistema de aprendizaje.

This thesis includes a series of proposals that attempt to improve the analysis of neurological data for the study of dementia from three di erent points of view: 1. First, a method for the computation of a mixture model of alpha- stable distributions using the EM algorithm has been designed. This method has also been employed for a structural image segmentation proposal through the analysis of white matter and gray matter intensity distributions. The use -stable distributions helps to improve the modeling of input data even despite their potential impulsiveness and / or heavy tails. 2. The second point is related to the need for proposing new neuroimaging markers that explain better the status and progression of patients with dementia. To this end, a morphological analysis based on isosurfaces has been proposed. It is used to quantify the loss of dopaminergic transporters in the nigrostriatal pathway related to neurodegeneration in Parkinson's disease. This model counts with the additional advantage of being physically interpretable, and its application can be extended to the analysis of other neurological disorders. 3. The last point deals with analyzing heterogeneous data sources. On the one hand, we have addressed the characterization of the information available in DIAN by studying each source of information separately to determine the reliability of each type of marker at di erent stages of the disease. In this context, the proposed model endorses a theoretical model published years ago on Alzheimer's. On the other hand, an ensemble learning method using nonlinearly weighted majority voting has been proposed. As justi ed from the results obtained when analyzing the PPMI repository, this proposal can automatically discard unreliable input data types and might be used for both classi cation and regression scenarios. In short, the evolution of machine learning in neuroscience requires the development of new and more accurate mathematical models, a further characterization of the biological processes at the central nervous system using new markers, and the combination of all the relevant sources of information that can be provided to the learning system.