Nuevos paradigmas para el análisis estadístico de imágenes tomográficas cerebrales

Abstract

Actualmente, la precisión con que se realiza el diagnóstico precoz de ciertas enfermedades de tipo neurodegenerativo tales como la enfermedad de Alzheimer no supera el 70% y, en muchas ocasiones, éstas no reciben el tratamiento adecuado. La presente Tesis contribuye al desarrollo de los sistemas automáticos de ayuda al diagnóstico (CAD) precoz de la enfermedad de Alzheimer por medio de técnicas de reconstrucción, normalización y clasificación supervisada de imágenes de tomografía computarizada de emisión de fotón único (SPECT) con el doble objetivo de: i) mejorar la sensibilidad en la detección de enfermedades neurodegenerativas, y ii) reducir la variabilidad en la interpretación de la imagen por parte del explorador. Para ello, se parte de la base de que las técnicas de SPECT proporcionan información funcional (riego sanguíneo cerebral) y permiten diagnosticar anormalidades en tejidos internos u órganos, incluso antes de que se produzcan alteraciones anatómicas o estructurales y sean observables. La investigación se ha centrado en el diseño completo de un sistema CAD que considera la selección de algoritmos robustos de reconstrucción tomográfica, normalización espacial y en intensidad, extracción de características y clasificación supervisada utilizando diferentes clasificadores entre los que se encuentran las máquinas de vectores de soporte (SVM), k-nearest neighbor (kNN), funciones lineales discriminantes, árboles de decisión o redes neuronales. La Tesis propone diferentes técnicas para la representación cuantitativa de imágenes SPECT mediante características discriminantes que permiten mejorar la precisión en el diagnóstico precoz, así como el estudio y la optimización de clasificadores lineales, no lineales y basados en aprendizaje estadístico para detección efectiva de enfermedades neurodegenerativas.