Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Diagnostico automatico enfermedades neurodegenerativas | bio informaticsgrx

89 views

Published on

Los nuevos métodos y algoritmos computacionales permiten la extracción y tratamiento de la información obtenida a partir de las imágenes médicas. Esto puede ser utilizado para diagnosticar una enfermedad neurodegenerativa, y lo más importante, para intentar predecirla y anticipar el tratamiento. Además, es posible encontrar las zonas del cerebro relacionadas directamente con la enfermedad.

Nos gustaría añadir como agradecimientos, a la Universidad de Granada, en especial, a la Escuela Superior de Ingeniería Informática y Telecomunicaciones, por prestar sus espacios.

¡Sigue a BioInformaticsGRX!
Instagram: https://www.instagram.com/bioinformat...
Twitter: https://twitter.com/bioinfGRX
Facebook: https://www.facebook.com/groups/bioin...
(Recomendado) Telegram: https://t.me/bioinformaticsGRX
Web: https://bioinformaticsgrx.es

Published in: Science
  • Be the first to comment

  • Be the first to like this

Diagnostico automatico enfermedades neurodegenerativas | bio informaticsgrx

  1. 1. Sistemas inteligentes para el diagnóstico automático de enfermedades neurodegenerativas mediante imágenes médicas Alberto García Salguero
  2. 2. 2 ¿Cómo se diagnostican? Demencia es la condición caracterizada por la pérdida o deterioro de funciones cerebrales INTRODUCCIÓN »Más de 42.3 millones de personas en el mundo padecen algún tipo de demencia »Esta cifra se dobla cada 20 años »10 millones de personas con Parkinson »Inhibir el desarrollo »Clave el diagnóstico temprano • Criterios clínicos • Evaluación médica • Síntomas motoros • La más desarrollada es neuroimagen (MRI)
  3. 3. Estados Estado 1 Se acentúan los efectos Est. Intermedio Pérdida equilibrio y lentitud Síntomas severos y limitantes Ayuda externa Pérdida casi total del movimiento Alucinaciones Enfermedad del Parkinson (PD) La enfermedad de Parkinson es un trastorno neurodegenerativo que afecta predominantemente a las neuronas productoras de dopamina ("dopaminérgicas") en un área específica del cerebro llamada sustancia nigra Afecta a cada paciente de diferente manera. Sin embargo, existen patrones típicos de progresión en la enfermedad de Parkinson que se definen por etapas. Teoría de la progresión del PD: Braak’s Hypothesis 3 Estado 2 Estado 3 Estado 5Estado 4 Síntoma motoros
  4. 4. »Las neuronas se degeneran en una zona de la BS »Controla músculos y posturas »Dopamina es la clave de que los neurotransmisores funcionen correctamente »Pérdida progresiva de dopamina »Pérdida de la transmisión/comunicación Enfermedad del Parkinson (PD) La función de la sustancia negra es compleja y parece estar relacionada con el aprendizaje. La degeneración de las neuronas pigmentadas en esta región es la principal patología. Existe incertidumbre sobre la causa que desencadena estos procesos patológicos, en los que se puede encontrar un daño irreversible con la muerte neuronal
  5. 5. Imagen por resonancia magnética (MRI) ¿Qué es? — Método de imagen no invasivo que se basa en el concepto físico de resonancia magnética nuclear y el fenómeno físico basado en las propiedades mecánicas cuánticas de los núcleos atómicos. Obtiene información sobre la estructura subyacente y la composición de la materia estudiada. Es ampliamente utilizado en medicina para obtener información sobre los tejidos. 5 »Planos Axial, Coronal y Sagital »No incluye radiación »Coste elevado »fMRI
  6. 6. 1 Norm. y caract. Normalizar las imágenes MRI y aplicar la DWT para obtener características 2 2D Obtención de plano y de importancia de la materia. Optimización de slices 3 3D Obtención de zonas relevantes mediante optimización 3D Comparación con literatura médica 4 Framework Diseño de interfaz de usuario para poder realizar todas las tareas del framework OBJETIVOS 6
  7. 7. MÉTODOS Normalización — - Datos de entrada de PPMI - Procesamiento con SPM12 - Separación W, C1 y C2. - 157x189x136 Características — - Wavelet Transform - mRMR - PCA 7
  8. 8. Optimización — - Algoritmos Genéticos - Optimizar ROIs/VOIs Y precisión (Acc) - C1/Whole materia Clasificación — - SVM - K-Fold Cross validation - Grid Search 8
  9. 9. 9 Procedimiento
  10. 10. Resultados
  11. 11. 11 PASO 1 Selección del plano (X, Y, Z) que mayor información proporciona en términos de clasificación Obtención de qué imagen (W, C1, C2) proporciona mayor precisión y menor coste computacional PASO 3 Optimización con AG para obtener qué capas son las más importantes. Población 100 y 200 generaciones SLICES 2D N slices f(x)=100-Acc - 158 pacientes - DWT: Db-4 nivel 2 - 180 mRMR - 95% PCA - 80% Trn-Tst - 10-fold PASO 2
  12. 12. 12 Selección de plano Plano Precisión Máximo Axial (X) 67.4801 84.6875 Coronal (Y) 68.6874 86.8085 Sagittal (Z) 68.5938 85
  13. 13. 13 Selección tipo de materia • Imágenes W, C1, C2. • Plano coronal • 180 mRMR • 80% Trn-Tst
  14. 14. 14 SLICES 2D Frecuencia Slices 11 58 10 75 8 83 6 54, 103 5 29, 42, 44, 132 4 98, 113, 120 3 65 2 53, 73, 94, 97 1 41, 43, 46, 47, 61, 66, 71, 72, 78, 88, 95, 119, 123, 129, 125, 159 N slices f(x)=100-Acc
  15. 15. 15 SLICES 2D
  16. 16. 16 SLICES 2D - DWT: Db4 nivel 1 - 100 mRMR - 95% PCA - 80% Trn-Tst - 10-fold 140 segundos Slices de la solución pareto #1
  17. 17. Autores Imagen Población Base Método Precisión (%) Dan Long, Wang and Zhang rsfMRI 19 PD y 27 Normal ReHo + ALFF +RFCS 85,19 Dan Long, Wang and Zhang rsfMRI 19 PD y 27 Normal ALFF+RFCS 81,48 Dan Long, Wang and Zhang rsfMRI 19 PD y 27 Normal GM+WM+CSF 77,78 Dan Long, Wang and Zhang rsfMRI 19 PD y 27 Normal Todo 92,59 Nuestro método MRI 94 PD y 64 Normal DWT-mRMR-PCA- SVM 97,3 COMPARACIÓN 17
  18. 18. 18 WAVELET KERNEL - 160 pacientes - Top 5 slices - En función de mRMR - 95% PCA - 80% Trn-Tst - 10-fold
  19. 19. WAVELET KERNEL 19
  20. 20. 20 Optimización Optimización con AG para obtener qué capas son las más importantes. Población 300 y 100 generaciones Regiones de interés (VOIs) 3D Nº VOIs f(x)=100-Acc - 214 pacientes - DWT 3D: bior3.3 level 2 - 10x10x10 VOIs - 1000 W y 1000 C1 - 100 mRMR - 95% PCA - 80% Trn-Tst - 10-fold
  21. 21. 21 VOIs 3D
  22. 22. 22 VOIs 3D
  23. 23. 23 VOIs 3D
  24. 24. 24 VOIs 3D - 88 VOIs - DWT: bior3.3 nivel 1 - 180 mRMR - 99% PCA - 80% Trn-Tst - 10-fold VOIs de la solución pareto #3
  25. 25. 25 VOIs 3D -> Regiones encontradas Sustancia nigra • La función de las neuronas dopaminérgicas parece estar relacionada con el aprendizaje. • La degeneración de las neuronas pigmentadas en esta región es la principal patología. • Existe incertidumbre acerca de la causa que desencadena estos procesos patológicos, en los cuales se puede encontrar daño irreversible con la muerte neuronal.
  26. 26. 26 VOIs 3D -> Regiones encontradas Núcleo caudal •El núcleo caudal forma el estriado dorsal, que se considera una estructura funcional única. •Procesos motores, memoria, motivación, adaptación al medio, etc. •Anatómicamente, está separado por un gran tracto de materia blanca, la cápsula interna
  27. 27. INTERFAZ 27
  28. 28. Comparación Obtención de un rendimiento superior sobre métodos e investigaciones similares Consistencia Consistencia de las regiones encontradas por el AG con la literatura médica Rendimiento Alta precisión de clasificación y mejora del rendimiento DISCUSIÓN 28 Algoritmos/métodos para extracción de características, clasificación, optimización, etc. Interfaz de usuario Desarrollo de una interfaz de usuario simple y útil Otros métodosInvestigaciones futuras Investigaciones futuras: Framework para otras enfermedades o búsqueda de nuevas regiones
  29. 29. Muchas gracias

×