Caracterización de patrones anatómicos cerebrales

mediante aprendizaje de máquina: Aplicaciones para el mal

de Alzheimer
Juan David García, PhD
Universidad Nacional de Colombia

Semana 10

Septiembre 5 de 2022, lunes

Última modificación 7 de agosto de 2022

1
Motivación

Mal de Alzheimer (AD)

▶ Se esperan 135, 000, 000+ de personas afectadas en 2050

2
Motivación

Mal de Alzheimer (AD)

▶ Se esperan 135, 000, 000+ de personas afectadas en 2050
▶ Uno de cada 85 habitantes del planeta

2
Motivación

Mal de Alzheimer (AD)

▶ Se esperan 135, 000, 000+ de personas afectadas en 2050
▶ Uno de cada 85 habitantes del planeta
▶ Altos costos en perdida de calidad de vida, sufrimiento y cuidado

2
Motivación

Mal de Alzheimer (AD)

▶ Se esperan 135, 000, 000+ de personas afectadas en 2050
▶ Uno de cada 85 habitantes del planeta
▶ Altos costos en perdida de calidad de vida, sufrimiento y cuidado
▶ Un diagnóstico más temprano y preciso es necesario

2
Motivación

Mal de Alzheimer (AD)

▶ Se esperan 135, 000, 000+ de personas afectadas en 2050
▶ Uno de cada 85 habitantes del planeta
▶ Altos costos en perdida de calidad de vida, sufrimiento y cuidado
▶ Un diagnóstico más temprano y preciso es necesario
▶ Aún no entendemos ni podemos cuantificar el progreso de la
enfermedad

2
Tomografía de Emisión de Positrones (PET)

▶ Las imágenes de PET permiten

detectar la reducción en el
metabólismo y la acumulación de
placas amiloides

3
Dpto. Radiologia UCSF
Tomografía de Emisión de Positrones (PET)

▶ Las imágenes de PET permiten

detectar la reducción en el
metabólismo y la acumulación de
placas amiloides
▶ Al menos 4 trazadores radioactivos
han sido autorizados por la FDA para
uso en AD

3
Dpto. Radiologia UCSF
Tomografía de Emisión de Positrones (PET)

▶ Las imágenes de PET permiten

detectar la reducción en el
metabólismo y la acumulación de
placas amiloides
▶ Al menos 4 trazadores radioactivos
han sido autorizados por la FDA para
uso en AD
▶ Presentan problemas de toxicidad,
vida media y costo
3
Dpto. Radiologia UCSF
Imágenes Anatómicas de Resonancia Magnética
(MRI)

▶ Han tenido un papel marginal en el AD

4
Imágenes Anatómicas de Resonancia Magnética
(MRI)

▶ Han tenido un papel marginal en el AD

▶ Usadas para descartar otras patologías

4
Imágenes Anatómicas de Resonancia Magnética
(MRI)

▶ Han tenido un papel marginal en el AD

▶ Usadas para descartar otras patologías
▶ Volumetría de hipocampo y lóbulo temporal medio sirven para
medir progreso

4
Imágenes Anatómicas de Resonancia Magnética
(MRI)

▶ Han tenido un papel marginal en el AD

▶ Usadas para descartar otras patologías
▶ Volumetría de hipocampo y lóbulo temporal medio sirven para
medir progreso
▶ La secuencia de cambios anatómicos no es consistente

4
Imágenes Anatómicas de Resonancia Magnética
(MRI)

▶ Han tenido un papel marginal en el AD

▶ Usadas para descartar otras patologías
▶ Volumetría de hipocampo y lóbulo temporal medio sirven para
medir progreso
▶ La secuencia de cambios anatómicos no es consistente
▶ La seguridad y relativo bajo costo hacen la MRI atractivas

4
5
6
Tomografía de emisión de Protones

Tipo de características
▶ Mapas de
densidad

7
Tomografía de emisión de Protones

Tipo de características
▶ Mapas de
densidad
▶ Superficies
corticales

7
Tomografía de emisión de Protones

Tipo de características
▶ Mapas de
densidad
▶ Superficies
corticales
▶ Comparación de
regiones
predefinidas

7
Supuestos

▶ Los pacientes no siguen una única dirección de desarrollo

8
Supuestos

▶ Los pacientes no siguen una única dirección de desarrollo

▶ Las correlacion anatomo-funcionales deberían ser usados en el
manejo del pacientes

8
Supuestos

▶ Los pacientes no siguen una única dirección de desarrollo

▶ Las correlacion anatomo-funcionales deberían ser usados en el
manejo del pacientes
▶ Se debe usar una distancia formal entre regiones

8
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

9
Segmentación

10
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

11
Caracterización de región

12
Caracterización de región

13
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

14
Medidas de comparación

Las opciones son variadas:

15
Medidas de comparación

Las opciones son variadas:

▶ Diferencia al cuadrado (inexacta)

15
Medidas de comparación

Las opciones son variadas:

▶ Diferencia al cuadrado (inexacta)
▶ Divergencia de Kulbak-Leibler o Chi cuadrado (sensibles a
pequeños cambios)

15
Medidas de comparación

Las opciones son variadas:

▶ Diferencia al cuadrado (inexacta)
▶ Divergencia de Kulbak-Leibler o Chi cuadrado (sensibles a
pequeños cambios)
▶ Earth mover’s distance (EMD)

15
EMD

La EMD cálcula la distancia entre distribuciones de probabilidad como

la “energía” mínima para mover la masa de probabilidad en una
distribución p a una distribución q

▶ La EMD de p → q es igual a la EMD p ← q.

▶ EMD de p → p es igual a 0

16
EMD como problema de transporte

17
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

18
Escogiedo elementos representativos

▶ Tenemos las distancias entre todos los pares de histogramas pero

no podemos calcular un centroide (no tenemos coordenadas)
▶ Podemos escoger como centro por región el medoide de los
controles: El punto con la menor sumatoria de distancia a los
otros puntos

19
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

20
Extrayendo características

▶ Calculamos la distancia al dato más típico como proxy del nivel

de enfermedad
▶ Nuestra suposición es que la enfermedad no depende de la
posición sino de la dispersión

Modelo de frontera Modelo de dispersión

21
Método

1. Segmentar los volúmenes de acuerdo al atlas Harvard-Oxford (96

regiones cortical y 17 subcórticales)
2. Caracterizar cada región mediante su histograma
3. Calcular distancia entre regiones
4. Encontrar un prototipo por región
5. Calcular distancia al prototipo
6. Entrenar un clasificador con estas distancias

22
Ada Boost

▶ Usamos un clasificador de conjunto que crea un clasificador

fuerte a partir de varios débiles indepedientes
▶ Se uso Ada-Boost como conjunto y simples umbrales (árboles de
un nivel) como clasificador débil
▶ Escogemos solo los predictores más importantes

23
Datos Etrenamiento: Oasis

24
Resultados

CN vs. AD, EER=0.1 y AUC=0.92

CN vs. MCI, EER=0.7 y AUC=0.74
25
Validación inter bases: MIRIAD

Se usa una base de datos adicional como conjunto de prueba. El

resultado es sensibilidad del 85 % y especificidad del 91 %.

26
Listado regiones mas informativas (MCI)

27
Listado regiones mas informativas (AD)

28
Distancias

29
Huellas

30
Artículo

31