Nuevos modelos estadísticos para detección de patrones de hipo/perfusión-metabolismo en imágenes de tomografía funcional cerebral

Resumen

La presente Tesis Doctoral propone nuevos modelos estadísticos para la detección de patrones de hipo/perfusión-metabolismo en imágenes de tomografía funcional cerebral de tipo SPECT (Single Photon Emission Computed Tomography) y PET (Positron Emission Tomography), para la ayuda al diagnóstico precoz de enfermedades neurológicas como la enfermedad de Alzheimer. Tras la descripción de los procesos de normalización de las imágenes espacialmente y en intensidad, se presentan tres técnicas diferentes de extracción de características. En primer lugar se describe un método de exploración de imágenes que permite la localización automática de las regiones de interés para la clasificación. En segundo lugar se aplican técnicas de análisis de componentes principales y análisis discriminante lineal en combinación con el FDR (Fisher Discrimiant Ratio) como métodos de compresión de imagen y extracción de características, resolviendo el problema del pequeño tamaño muestral. Por último se llevan a cabo transformaciones basadas en la aplicación de kernels que permiten la extracción de dependencias no lineales presentes en las imágenes. Estas técnicas se combinan con métodos de clasificación supervisada basados en reglas bayesianas, máquinas de vectores de soporte y redes neuronales, alcanzando valores de precisión de hasta 95.6% y 100% para imágenes SPECT y PET y de 91.43% para la reconocida base de datos ADNI, respectivamente. Estos resultados mejoran las tasas de acierto obtenidas mediante los métodos existentes hasta el momento para la detección precoz de la enfermedad de Alzheimer.