Tesi realitzada a la Fundació per a la Investigació i la Docència Maria Angustias Giménez (FIDMAG) - Germanes Hospitalàries / Chronic schizophrenia has been widely studied, consistent findings have shown the anatomical pattern associated with this disease, but the clinical picture is often undifferentiated at first presentation. Finding morphometric alterations associated with a disease is a widespread goal in neuroimaging. It has been performed in hundreds of studies from applying Voxel-Based Morphometry (VBM). However, VBM is a mass-univariate approach, assumes that voxels are independent and this may not be the most biologically plausible assumption to make. Many neuroimaging advances are focused in multivariate framework, like pattern recognition approaches. Such applications reveal complex associations and prediction models that provide greater accuracy for characterizing differences, also in schizophrenia. Such techniques require some form of characterization of inter-subject neuroanatomical variability, where the registration plays a significant role. If data are imprecisely modeled or the characterization used does not incorporate key information, this may result in poor predictions. The use of suboptimal features limits the accuracy with which predictions may be made. This scenario makes necessary exploring features from images and use the most informative to optimise pattern recognition in clinical research. Regarding modeling, accuracy is being established during VBM-type preprocessing. If segmentation does not work accurately, the next normalisation step cannot be accurate either. Hence the interest in the accuracy of automated computational tools is also increasing.
To adress these issues, the current thesis was divided into three studies. First study was focused on the comparison between segmentation algorithms by SPM (http://www.fil.ion.ucl.ac.uk/spm/): “Unified segmentation” (US) and “New Segmentation” (NS), and FSL (http://fsl.fmrib.ox.ac.uk/fsl/): “FMRIB’s Automated Segmentation tool” (FAST). The IBSR dataset (http://vivo.cornell.edu/display/individual5017) that includes segmented classes by experts was used to establish a ground truth. A detailed comparison between algorithms was conducted using different methods. In study 2 a Gaussian Process machine learning approach was used for predicting age, gender and body mass index (BMI) using the IXI dataset (http://biomedic.doc.ic.ac.uk/brain-development/index.php?n=Main.Datasets). MRI data were segmented using NS and registered with the “Shooting Geodesic toolbox”. Proper characterizations from VBM-type preprocessed data (linear kernels) and its dependence on the smoothing (FWHM from 0 to 20mm) were evaluated. Study 3 consisted in an application to Schizophrenia (Sample involved 111 patients and 111 controls provided by FIDMAG: http://www.fidmag.com/fidmag/index.php) with the optimal features from study 2. Our hypothesis was that image features that worked well in study 2 would also work well for predicting schizophrenia.
Results from study 1 showed that US was the most sensitive algorithm, and FAST the most specific, NS was found the most balanced of the three, no significant differences w.r.t. the sensitivity of US and the specificity of FAST were detected. Moreover, NS obtained the highest Jaccard coefficient, becoming the most similar to the ground truth. FAST was found the last in this ranking. In study 2, results from predicting age, gender and BMI pointed that scalar momentum was the best feature. Interestingly, grey matter (GM) was not the best feature for predicting age, and whithe matter was the best feature for predicting BMI. In general, performances were highly dependent on the smoothing, although scalar momentum was not among the most dependent. Findings from study 3 showed that scalar momentum provided best feature than GM for predicting schizophrenia, this results confirmed the hypothesis a priori.
Main conclusion is that multivariate pattern recognition analyses using scalar momentum provide an excellent strategy for classifying schizophrenia. This approach might potentially be extended to other psychiatric and neurodegenerative diseases both in research and as an aid to differential diagnosis in routine clinical practice. / Aunque el patrón anatómico asociado a la esquizofrenia es conocido, el cuadro clínico es a menudo difícil de diferenciar en su debut. Un extendido objetivo en neurociencias es encontrar alteraciones morfológicas asociadas a una enfermedad. Muchos estudios han aplicado la Morfología Basada en Voxel (VBM), pero es univariante y no cumple la asunción biológicamente más plausible. Esto conduce a la neuroimagen hacia entornos multivariantes como el reconocimiento de patrones. Estas técnicas requieren de una caracterización de los datos que cuantifique la variabilidad neuroanatomica. Si los datos no están modelados con precisión y/o las caracterizaciones no incorporan información clave, la precisión de las predicciones será limitada. Es necesario explorar características a partir de imágenes y seleccionar las más informativas. También es esencial el preprocesado tipo-VBM requerido. Si la segmentación no es precisa, la normalización tampoco puede serlo.
Para abordar estos aspectos, esta tesis se divide en tres estudios. El primero compara algoritmos de segmentación de SPM: “Unified segmentation” (US) y “New Segmentation” (NS), y de FSL: “FMRIB’s Automated Segmentation tool” (FAST). Se realizó una comparación entre algoritmos usando diferentes métodos con las imágenes IBSR (vivo.cornell.edu/display/individual5017), por incluir tejidos segmentados por expertos. En el estudio 2, una máquina de aprendizaje de Procesos Gaussianos fue aplicada para predecir edad, género e índice de masa corporal (IMC) usando los datos IXI (biomedic.doc.ic.ac.uk/brain-development/index.php?n=Main.Datasets). Las imágenes fueron preprocesadas con SPM12. Después, caracterizaciones de éstos datos fueron evaluadas, así como su relación con el suavizado (FWHM: 0-20mm). El estudio 3 consistió en aplicar la metodología del estudio 2 a la esquizofrenia (datos FIDMAG). Nuestra hipótesis fue que las características óptimas del estudio 2 también lo serían en éste.
Los primeros resultados mostraron que NS fue la herramienta más equilibrada en cuanto a sensibilidad y especificidad. También NS obtuvo el coeficiente Jaccard más alto, dando segmentaciones más similares a las realizadas por expertos. FAST obtuvo el índice menor. En el estudio 2, los resultados de las predicciones señalaron los momentos escalares como la mejor característica. Curiosamente, la sustancia gris (GM) no fue la óptima para predecir la edad, y la sustancia blanca fue la mejor para predecir IMC. Se observó alta dependencia del suavizado. En el estudio 3 los momentos escalares aportaron mejor caracterización para predecir esquizofrenia que la GM, confirmado la hipótesis a priori.
En conclusión los momentos escalares proveen de características que alcanzan mayor precisión en el reconocimiento de patrones para predecir la esquizofrenia. Éste enfoque podría extenderse a otras enfermedades tanto en investigación y como ayuda al diagnóstico diferencial en la clínica diaria.
| Identifer | oai:union.ndltd.org:TDX_UB/oai:www.tdx.cat:10803/348264 |
| Date | 17 December 2015 |
| Creators | Monté Rubio, Gemma C. |
| Contributors | Falcón Falcón, Carles Maria, Ashburner, John, Pomarol-Clotet, Edith, Universitat de Barcelona. Facultat de Medicina |
| Publisher | Universitat de Barcelona |
| Source Sets | Universitat de Barcelona |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/doctoralThesis, info:eu-repo/semantics/publishedVersion |
| Format | 112 p., application/pdf |
| Source | TDX (Tesis Doctorals en Xarxa) |
| Rights | L'accés als continguts d'aquesta tesi queda condicionat a l'acceptació de les condicions d'ús establertes per la següent llicència Creative Commons: http://creativecommons.org/licenses/by-nc-sa/3.0/es/, info:eu-repo/semantics/openAccess |
Page generated in 0.0027 seconds