Orientador: Prof. Dr. João Ricardo Sato / Tese (doutorado) - Universidade Federal do ABC, Programa de Pós-Graduação em Neurociência e Cognição, 2017. / Aprendizagem de máquina tem ganhado interesse crescente da comunidade científica que
aborda a análise de dados de neuroimagens, principalmente os estudos que envolvem
doenças psiquiátricas. Tais ferramentas são capazes de reconhecer os padrões difusos
e sutis que estão normalmente relacionados com doenças a partir de uma abordagem
multivariada. Um dos novos campos de aprendizagem de máquina, conhecido como deep
learning, tem mostrado um aumento na performance de sistemas inteligentes de vários
campos de pesquisa, como visão computacional e processamento de linguagem natural.
Contudo, apenas recentemente deep learning tem sido aplicado na área médica, com poucos
estudos investigando dados provenientes de neuroimagens. Nesta tese de doutorado foi
realizada uma série de estudos desenvolvendo modelos de deep learning para investigar
características de doenças psiquiátricas de dados de neuroimagens. Primeiro, foi verificado
como os dados morfométricos de esquizofrenia são mapeados em modelo profundo. Os
padrões aprendidos pelo modelo foram relacionados com as regiões cerebrais afetadas,
características clinicas, e com a progressão da doença, sendo que também foram estudados
sujeitos nos estágios iniciais. Em seguida, foi verificado a performance desse método
na classificação de pacientes e sujeitos saudáveis. E por fim, foi extraído um índice
de anormalidade dos dados morfométricos de pacientes com esquizofrenia, autismo e
transtorno do déficit de atenção com hiperatividade (TDAH) de vários bancos de dados
públicos utilizando um modelo de deep autoencoder. Os resultados dos estudos evidenciaram relações das características aprendidas pelos modelos de aprendizagem de máquina com regiões especificas do cérebro, por exemplo, regiões do lóbulo frontal e temporal nos pacientes com esquizofrenia, regiões frontais no TDAH, e regiões envolvidas na cognição social nos sujeitos com autismo. Além disso, foi verificado que o modelo de deep learning alcançou uma maior performance na tarefa de classificação quando comparado com um dos métodos de aprendizagem de máquina mais difundidos da atualidade. Por fim, o índice de anormalidade dos grupos de pacientes se mostraram significativamente maior que o
índice de sujeitos saudáveis. Esta tese contribuiu para o desenvolvimento do campo de
aprendizagem de máquina voltada para neuroimagem, demonstrando a possibilidade de se
treinar os parâmetros de modelos tão complexos, como os de deep learning, em um campo
com difícil acesso a grandes quantidade de amostras para treino, como a neuroimagem.
Contudo, a área ainda apresenta vários obstáculos a serem superados pelos pesquisadores,
como a complexidade dos dados analisados e a pouca quantidade de exames clínicos
disponíveis. / Machine learning has gained increasing interest from the community that addresses the
neuroimaging data analysis. Such tools can recognize subtle and distributed patterns
by a multivariate approach that are usually related to psychiatric diseases. A new field
of machine learning, known as deep learning, have increased the performance level of
intelligent systems from several research areas, such as computer vision and natural
language processing. However, just recently it has been applied for using it in the medical
field, and with just a few studies investigating neuroimaging data. In this Ph.D. project, it
was carried out a series of studies exploring the use deep learning models to investigate
features of neuroimaging data related to psychiatric diseases. First, it was verified how
the morphometric data of patients with schizophrenia are mapped in a deep model.
The patterns learned by the model were related to the affected brain regions, clinical
characteristics, and disease progression. After that, the performance of deep belief networks
in classification tasks was investigated, to discriminate patients and healthy subjects and
for comparing with other methods of machine learning. Finally, an abnormality index was
extracted from the morphometric data of patients with schizophrenia, autism spectrum
disorder and attention deficit hyperactivity disorder (ADHD) of several public databases
using a deep autoencoder. The findings of the studies evidenced the relationships of learned
features in the machine learning models with the specified brain regions, for example, the
frontal and temporal lobe regions for patients with schizophrenia, frontal regions for ADHD,
and social cognition regions in subjects with autism spectrum disorder. Also, the deep
learning model achieved a higher performance in the classification task when compared
to one of the most widespread machine learning methods. Finally, the abnormality index
indicated a significantly higher value for patients groups than to healthy people. This
thesis contributed to the development of the use of machine learning in the neuroimaging
field, it demonstrated the possibility of training the parameters of such complex models,
such as from deep learning models, in a field with difficult access to large quantities of
trainingsamples, such as neuroimaging. However, this area still having some obstacles to
be overcome by researchers, such as the complexity of the data analyzed and the small
number of clinical data available.
| Identifer | oai:union.ndltd.org:IBICT/oai:BDTD:107219 |
| Date | January 2017 |
| Creators | Pinaya, Walter Hugo Lopez |
| Contributors | Sato, João Ricardo, Camargo, Raphael Yokoingawa de, Echeverry, Marcela Bermúdez, Del-Ben, Cristina Marta, Thomaz, Carlos Eduardo |
| Source Sets | IBICT Brazilian ETDs |
| Language | Inglês |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | application/pdf, 168 f. : il. |
| Source | reponame:Repositório Institucional da UFABC, instname:Universidade Federal do ABC, instacron:UFABC |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=107219&midiaext=74872, http://biblioteca.ufabc.edu.br/index.php?codigo_sophia=107219&midiaext=74873, Cover: http://biblioteca.ufabc.edu.brphp/capa.php?obra=107219 |
Page generated in 0.0027 seconds