Statistical neuroimage modeling, processing and synthesis based on texture and component analysis: tackling the small sample size problem

• Autores: Francisco Jesús Martínez Murcia
• Directores de la Tesis: Juan Manuel Górriz Sáez (dir. tes.) , Javier Ramírez Pérez de Inestrosa (dir. tes.)
• Lectura: En la Universidad de Granada ( España ) en 2017
• Idioma: inglés
• Tribunal Calificador de la Tesis: Carlos García Puntonet (presid.) , Diego Salas González (secret.) , Johannes Levin (voc.) , Andres Ortiz García (voc.) , Begoña Acha Piñero (voc.)
• Enlaces
  • Tesis en acceso abierto en: DIGIBUG
• Resumen

  • Durante los últimos años ha habido una explosión en el uso de neuroimagen en la práctica clínica y en investigación. Sin embargo, un problema al que se enfrentan continuamente lo estudios realizados es el tamaño muestral. El número de sujetos reclutados habitualmente va desde algunas decenas hasta cientos de sujetos. Sin embargo, el número de características usadas en un sistema CAD (del inglés, diagnóstico asistido por computador) puede llegar a varios millones, causando un problema que se conoce como Small Sample Size Problem (problema del pequeño tamaño muestral). Este problema afecta el poder estadístico de cualquier experimento realizado sobre bases de datos que reunen estas características.

    Para abordar este problema, en esta tesis se proponen dos metodologías diferentes: la reducción del espacio de características y herramientas para aumentar el tamaño muestral de forma segura. En la primera parte se detallan metodologías basadas en descomposición de imágenes utilizando los algoritmos ICA y Factor Analysis, en combinación con procedimientos de selección, mejorando el estado de la cuestión actual en bases de datos funcionales SPECT y PET, para el diagnóstico automático de las enfermedades de Alzheimer (EA) y Parkinson (EP).

    También, en esta parte se describen dos métodos de análisis de texturas, uno basado en las características de Haralick, que obtiene muy buenos resultados en la EP, y otro basado en un nuevo paradigma denominado Spherical Brain Mapping, mediante el cual se transforman imágenes estructurales de resonancia magnética (MRI) en mapas bidimensionales que representan características estadísticas. Con este último sistema conseguimos una precisión de más del 90% en el diagnóstico de la EA.

    Por último, se proponen dos herramientas para aumentar el tamaño muestral. En el primer caso se propone SWPCA (reconstrucción PCA con pesado estadístico), que facilita la fusión de bases de datos estructurales adquiridas en diferentes centros mediante la eliminación de variabilidad debida al lugar de adquisición. En el segundo caso, se ha desarrollado una herramienta que, mediante el análisis en componentes de imágenes funcionales PET y SPECT, permite generar nuevas imágenes cerebrales sintéticas que comparten características con las imágenes originales, pudiendo aumentar dramáticamente el tamaño muestral, e incluso pudiendo ser utilizadas en educación.