Publication
Avaliação do potencial de técnicas de machine learning no diagnóstico diferencial da doença de Parkinson com base em imagem molecular
| dc.contributor.advisor | Oliveira, Francisco P. M. | |
| dc.contributor.advisor | Ferreira, Paulo M. S. | |
| dc.contributor.advisor | Vieira, Lina | |
| dc.contributor.author | Valador, Natacha Rodrigues Cabaça | |
| dc.date.accessioned | 2023-09-21T09:39:38Z | |
| dc.date.available | 2023-09-21T09:39:38Z | |
| dc.date.issued | 2022 | |
| dc.description | Trabalho final de Mestrado para obtenção do grau de Mestre em Engenharia Biomédica. | pt_PT |
| dc.description.abstract | A doença de Parkinson (DP) é uma doença neurodegenerativa que resulta da perda de neurónios dopaminérgicos na substância negra. É um grave problema de saúde pública que afeta 1-1,5% da população idosa a nível mundial. A perda dos neurónios dopaminérgicos devido à DP é um processo lento e que, de uma forma geral, pode demorar mais de uma década até que os primeiros sintomas sejam detetáveis, realçando a importância de um diagnóstico precoce para iniciar a terapêutica mais adequada o mais rapidamente possível [1]. O diagnóstico da DP é baseado na observação de sinais clínicos, nomeadamente a caracterização de uma variedade de sintomas motores, a resposta aos fármacos dopaminérgicos e a avaliação do padrão de captação (imagens) de radiofármacos específicos para avaliar a integridade do sistema dopaminérgico, usando equipamentos de SPECT (do inglês single-photon emission computed tomography) ou PET (do inglês positron emission tomography) [2]. Em grande parte dos casos, a avaliação visual destas imagens é suficiente para a caracterização do sistema dopaminérgico. No entanto, noutros casos, esta avaliação tem de ser complementada com uma análise quantitativa. Mesmo assim, por vezes ainda surgem dúvidas, que podem ser clarificadas com a utilização de técnicas de classificação baseadas em machinelearning [3]. As redes neuronais convolucionais (CNN, do inglês convolutional neural network) têm vindo a mostrar potencial na classificação de diversos tipos de imagens médicas, especialmente na área da oncologia [4],[5],[6] mas também existem exemplos de aplicação na área da neuroimagem [7],[8],[9]. Deste modo, pretendeu-se com este estudo avaliar o potencial das CNN, em comparação com outras técnicas muito populares, no diagnóstico diferencial da DP com base em imagens moleculares do cérebro obtidas com [123I] FP-CIT SPECT. Este trabalho incluiu um conjunto de 806 imagens cerebrais volumétricas obtidas com [123I]FP-CIT SPECT (208 controlos saudáveis e 598 doentes com DP). Os dados foram obtidos a partir da base de dados da Parkinson's Progression Markers Initiative (PPMI) (www.ppmi-info.org/data). Para cada sujeito, apenas foi considerado o primeiro exame [123I]FP-CIT SPECT (baseline ou screening). O protocolo de aquisição e pré-processamento de imagens encontra-se disponível em http://www.ppmi- info.org/study-design/research-documents-and-sops/. A técnica de classificação baseada em CNN foi comparada com os classificadores: k-vizinhos mais próximos (kNN, do inglês k-nearest neighbor), regressão logística (RL), árvores de decisão (AD), support vector machine (SVM) e redes neuronais artificiais (ANN, do inglês artificial neural networks). O classificador baseado em CNN foi treinado com imagens bidimensionais (dimensões: 88 mm × 82 mm) contendo a região do estriado, nomeadamente a projeção de intensidade máxima superior-inferior da cabeça. Os restantes classificadores foram treinados com cinco características extraídas da região do estriado tridimensional: potencial de ligação do caudato, potencial de ligação do putamen, rácio putamen para caudato, volume da região do estriado com "captação normal" e comprimento do eixo maior dessa região. Foram utilizados apenas os valores mínimos inter-hemisférios cerebral. Os dados foram divididos na razão 75:25 (75% para treino e 25% para teste). Cada uma das cinco características foi também estudada individualmente para avaliar o seu potencial de classificação em termos de desempenho (precisão, sensibilidade e especificidade). No conjunto de dados do teste, a precisão, sensibilidade, e especificidade da CNN para diferenciar imagens de doentes com DP das imagens de controlos saudáveis foi 96%, 98%, e 91%, respetivamente. Estes resultados foram muito semelhantes aos obtidos com os outros classificadores (kNN: 95%, 99%, 85%; RL: 94%, 97%, 86%; AD: 94%, 97%, 84%; SVM: 94%, 98%, 88%; e ANN: 94%, 97%, 86%). II. As diferenças de precisão não são estatisticamente significativas (teste Q de Cochran, p = 0,592). Individualmente, a característica que melhor diferenciou as imagens de doentes com DP das imagens dos controlos saudáveis foi o potencial de ligação do putamen com 93% de precisão, 93% de sensibilidade e 94% de especificidade no conjunto de dados do teste, usando o valor de corte que maximizou o coeficiente de Younden obtido do conjunto de dados de treino (valor de corte de 1,716). O classificador baseado em CNN provou ser tão robusto e preciso como os outros classificadores utilizados neste trabalho, com a vantagem de utilizar imagens como entrada direta, minimizando os passos iniciais de pré-processamento. Todos os classificadores aqui utilizados atingiram valores de precisão de classificação superiores aos frequentemente reportados na literatura para avaliação visual qualitativa. Assim, sugere-se a sua utilização como complemento à avaliação visual qualitativa e como ferramenta de treino para médicos especialista com reduzida experiência. | pt_PT |
| dc.description.abstract | Parkinson's disease (PD) is a neurodegenerative disease that results from the loss of dopaminergic neurons in the substantia nigra. It is a serious public health problem that affects 1 to 1.5% of the elderly population worldwide. The loss of dopaminergic neurons is a slow process that takes decades to happen, highlighting the importance of an early diagnosis to start the most adequate therapeutic regimen as soon as possible [1]. The diagnosis of PD is based on the observation of clinical signs, namely the characterization of a variety of motor symptoms, the response to dopaminergic drugs and evaluation of the uptake pattern (images) of specific radiopharmaceuticals to assess the integrity of the dopaminergic system [2]. In most cases, a visual assessment of these images is sufficient to characterize the dopaminergic system. However, in other cases this assessment must be complemented with a quantitative analysis. Even so, sometimes doubts still arise, which can be clarified with the use of classification techniques based on artificial intelligence, being machine learning the most frequently used [3]. In the context of artificial intelligence, convolutional neural networks (CNN) have been showing potential in various types of medical images, especially in the field of oncology [4],[5],[6], but there are also examples of application in the field of neuroimaging [7],[8],[9]. Thus, the aim of this study is to evaluatethe potential of CNN, in comparison to other popular techniques, in the differential diagnosis of PD based on [123I]FP-CIT SPECT images of the central nervous system, in particular the basal ganglia. This work included 806 [123I]FP-CIT SPECT brain images (208 health controls and 598 with PD). Data were obtained from the Parkinson’s Progression Markers Initiative (PPMI) database (www.ppmi- info.org/data). For each subject, only the first scan [123I]FP-CIT SPECT was considered (baseline or screening). The protocol of image acquisition and pre-processing is available at http://www.ppmi- info.org/study-design/research-documents-and-sops/. CNN was compared against k-nearest neighbour (kNN), logistic regression (LR), decision trees (DT), support vector machines (SVM) and artificial neural networks (ANN) classifiers. The CNN classifier was trained with 2-dimensional image patches (dimensions: 88 mm × 82 mm) containing the striatal region, extracted from the head superior-inferior maximum intensity projection. The remaining classifiers were trained with five features extracted from 3-dimensional striatal region: caudate binding potential, putamen binding potential, putamen to caudate ratio, volume of the striatal region with “normal uptake”, and the length of major axis of that region. Only the inter-hemisphere minimum was used. The split ratio of the dataset was 75:25 (75% for training and 25% for testing). Each of the five features was also considered individually to assess its potential for classification in terms of performance (accuracy, sensitivity, and specificity). In the test dataset, accuracy, sensitivity, and specificity of the CNN were 96%, 98%, and 91%, respectively. This finding was very similar to what we obtained with the other classifiers (kNN: 95%, 99%, 85%; LR: 94%, 97%, 86%, DT: 94%, 97%, 84%, SVM: 94%, 98%, 88% and ANN: 94%, 97%, 86%). The accuracy differences were not statistically significant (Cochran Q test, p = 0.592). Individually, the feature that best differentiated PD from normal scans was the putamen binding potential with 93% accuracy, 93% sensitivity and 94% specificity in the test dataset, based on the optimal cut-off (1.716) that maximizes Younden’s coefficient in the training dataset. IV CNN classifier proved to be as robust and accurate as the other classifiers frequently used in the type of problems, with the great advantage of using images as direct input. All machine learning-based classifiers tested are robust and very accurate in the classification of brain [123I]FP-CIT SPECT scans. Standard visual clinical evaluation should be complemented with quantification classification, and also used as a training tool. | |
| dc.description.version | N/A | pt_PT |
| dc.identifier.citation | Valador, Natacha Rodrigues Cabaça - Avaliação do potencial de técnicas de machine learning no diagnóstico diferencial da doença de Parkinson com base em imagem molecular. Lisboa: Instituto Superior de Engenharia de Lisboa, 2022. Dissertação de Mestrado. | pt_PT |
| dc.identifier.tid | 203352505 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/16498 | |
| dc.language.iso | por | pt_PT |
| dc.peerreviewed | yes | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | Doença de Parkinson | pt_PT |
| dc.subject | Imagem molecular | pt_PT |
| dc.subject | Machine learning | pt_PT |
| dc.subject | Redes neuronais convolucionais | pt_PT |
| dc.subject | [123I]FP-CIT SPECT | pt_PT |
| dc.subject | Parkinson’s disease | |
| dc.subject | Molecular imaging | |
| dc.subject | Machine learning | |
| dc.subject | Convolutional neural network | |
| dc.subject | [123I]FP-CIT SPECT | |
| dc.title | Avaliação do potencial de técnicas de machine learning no diagnóstico diferencial da doença de Parkinson com base em imagem molecular | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.conferencePlace | Lisboa: Instituto Superior de Engenharia de Lisboa | pt_PT |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |