Aprendizaje estadístico basado en confianza controlada y transformaciones/factorizaciones no negativas para el diagnóstico de demencias

Resumen

La presente Tesis Doctoral supone una contribución a las técnicas de aprendizaje supervisado en neurociencias para la detección precoz de la enfermedad de Alzheimer. Para dicha detección precoz se acude al desarrollo de herramientas CAD (Computer Aided Diagnosis) que permiten realizar diagnósticos automáticos con un grado de confianza determinado, independiente de cualquier percepción externa por parte del usuario. Dichas herramientas CAD pasan a ser un elemento fundamental para el apoyo del diagnóstico clínico por parte de expertos médicos. La herramienta CAD desarrollada en esta Tesis tiene su fundamento en distintas etapas como son: 1. La adquisición y preprocesado de los datos médicos de partida. En este caso se toman imágenes funcionales cerebrales como datos de partida para el diagnóstico: imágenes PET y SPECT. 2. La selección de características relevantes a partir de los datos normalizados. Para favorecer el adecuado funcionamiento de la herramienta CAD se procede a desarrollar una serie de métodos de extracción de características. 3. La reducción de características. Para evitar el problema de la dimensionalidad, acude a técnicas de proyección de datos que permiten la obtención dedatos transformados. La presente Tesis centra los esfuerzos en el estudio de la factorización no negativa de datos (NMF). 4. La clasificación de los datos mediante clasificación. Se desarrolla un clasificador basado en máquinas de vectores soporte (SVM). Junto con dicho clasificador, se añaden límites de confianza, esto es, control de la confianza que se tiene sobre una determinada decisión en un momento dado de la evaluación. 5. Preprocesado mediante transformadas de las imágenes funcionales, mediante el uso de transformada de Gabor bidimensional.