Show simple item record

dc.contributor.authorMendonça, Lucas José Cruz de
dc.date.accessioned2022-04-01T10:12:25Z
dc.date.available2022-04-01T10:12:25Z
dc.date.issued2022-02-16
dc.identifier.citationMENDONÇA, Lucas José Cruz de. Classificação da doença de Alzheimer baseada em graph kernels construídos a partir de atributos de textura 3D de imagens de ressonância magnética. 2022. Dissertação (Mestrado em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/ufscar/15789.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/15789
dc.description.abstractAlzheimer's disease (AD) is neurodegenerative and characterized by cognitive and behavioral impairment. Mild cognitive impairment (MCI) is a relatively broad clinical condition involving a slight memory deficit, which in many cases represents a transitional state between a cognitively normal (CN) condition and AD. Many published studies restrict their analyses to searching for structural changes caused by the disease in a few particular regions of the brain.. Currently, the studies are looking for new AD biomarkers using multiple brain regions and focusing on subtle texture changes in the image. Therefore, this study proposes a new technique for MR image classification in AD diagnosis using graph kernels constructed from texture features extracted from 3D Structural magnetic resonance (sMR) images. In our proposed method we first segment the brain images into multiple regions with the FreeSurfer. Then, we extract 22 texture features and defined the graph node attributes as the probability distributions of the extracted features. Next, for each texture feature we build a graph and define its edge weights as the distances between pairs of node attributes using three metrics. After that, we use a threshold-based approach for graph edges removal. Finally, we perform graph classification using Support Vector Machines (SVMs) with two graph-kernels. Results of our method have shown better performances for the CN×AD (AUC=0.92) and CN×MCI (AUC=0.81) classifications, and worse for MCI×AD (AUC=0.78). This trend is consistent with other published results and makes sense if we consider the concept of Alzheimer's disease continuum from pathophysiological, biomarker and clinical perspectives. Besides allowing the use of different texture attributes for the diagnosis of AD, our method uses the graph-kernel approach to represent texture features from different regions of the brain image, which considerably facilitates the image classification task via SVMs. Our results were promising when compared to the state-of-the-art in graph-based AD classification.eng
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)por
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectDoença de Alzheimerpor
dc.subjectClassificação de grafospor
dc.subjectExtração de texturapor
dc.subjectImagem de ressonância magnéticapor
dc.subjectAlzheimer's diseaseeng
dc.subjectGraphs-based classificationeng
dc.subjectTexture extractioneng
dc.subjectMagnetic resonance imageeng
dc.subjectGraph kerneleng
dc.titleClassificação da doença de Alzheimer baseada em graph kernels construídos a partir de atributos de textura 3D de imagens de ressonância magnéticapor
dc.title.alternativeAlzheimer's disease classification based on graph kernel SVMs constructed with 3D texture features extracted from MR imageseng
dc.typeDissertaçãopor
dc.contributor.advisor1Ferrari, Ricardo José
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8460861175344306por
dc.description.resumoA doença de Alzheimer (DA) é neurodegenerativa e caracterizada pelo comprometimento cognitivo. O comprometimento cognitivo leve (CCL) é uma condição clínica que envolve um leve deficit de memória e em muitos casos representa um estado de transição entre uma condição cognitivamente normal (CN) e a DA. Estudos publicados na literatura restringem suas análises à busca por alterações estruturais causadas pela doença em algumas regiões do cérebro. Atualmente, as pesquisas estão voltadas à procura de novos biomarcadores da AD usando múltiplas regiões do cérebro e com foco em mudanças sutis de textura na imagem. Portanto, este estudo propõe uma nova técnica para a classificação de imagens de ressonância magnética estrutural (RM) no diagnóstico de DA usando graph kernel (GK). Neste método, primeiro segmentamos as imagens cerebrais em várias regiões com o FreeSurfer. Em seguida, extraímos 22 atributos de textura e definimos os atributos dos vértices do grafos como as distribuições de probabilidade destes atributos. Para cada atributo de textura, construímos os grafos e definimos os pesos das arestas pela distância entre pares de atributos de vértices usando três métricas. A remoção de arestas dos grafos foi baseada em limiar. Por fim, realizamos a classificação dos grafos usando Support Vector Machines (SVMs) com dois GKs. Os resultados do nosso método mostraram melhores desempenhos para as classificações CN×AD (AUC=0.92) e CN×CCL (AUC=0.81), e piores para CCL×AD (AUC=0.78). Essa tendência é consistente com outros resultados publicados e faz sentido se considerarmos o conceito de continuum da DA do ponto de vista fisiopatológico e clínico. Além de permitir o uso de diferentes atributos de textura para o diagnóstico da DA, nosso método utiliza a abordagem GK para representar atributos de textura de diferentes regiões cerebrais o que facilita a tarefa de classificação de imagens via SVMs. Nossos resultados foram promissores quando comparados ao estado da arte na classificação de AD baseada em grafos.por
dc.publisher.initialsUFSCarpor
dc.publisher.programPrograma de Pós-Graduação em Ciência da Computação - PPGCCpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.description.sponsorshipIdProcesso nº 88882.426578/2019-01por
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttp://lattes.cnpq.br/2356924713834182por


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 Brazil