Aprendizaje de funciones de neuroimagen multimodal para el diagnóstico multiclase de la enfermedad de Alzheimer

Este articulo desarrolla la enfermedad de Alzheimer (EA). En la cual, el diagnostico es esencial para el cuidado del paciente. Por lo que muestra un marco de diagnóstico novedoso con arquitectura de aprendizaje profundo para dar un buen diagnostico de la EA. Además, se utiliza una estrategia de enmascaramiento cero para la fusión de datos para extraer información complementaria de múltiples datos.

Metodología

Durante la nvestigación,se utilizaron datos de RM y PET para modalidades de neuroimagen de entrada, todas las imágenes fueron procesadas. Seguido de un proceso de segmentación en 83 ROI. Finalmente, se calculó el conjunto de descriptores en cada ROI.

Resultados

Por otro lado, la visualización de biomarcadores de alto nivel calcularon la estabilidad en cada ROI del cerebro y le fue asignada una puntuación de estabilidad a una imagen en RM de un sujeto NC. Observando distinciones entre varios ROI, las regiones más oscuras son más sensibles a la progresión de AD y MCI que las ROI más claras.

Conclusiones

Los autores propusieron un marco novedoso para el diagnostico de EA con aprendizaje profundo integrado. Donde dentro del marco se distinguen cuatro etapas de la progresión de EA con menos conocimiento clínico. El marco propuesto fue evaluado con clasificación AD entre la etapa dos y cuatro, superando métodos propuestos anteriormente. Este método es un medio poderoso para representar biomarcadores de neuroimagen multimodal.

Adaptado y traducido de: S. Liu et al., «Multimodal Neuroimaging Feature Learning for Multiclass Diagnosis of Alzheimer’s Disease,» in IEEE Transactions on Biomedical Engineering, vol. 62, no. 4, pp. 1132-1140, April 2015, doi: 10.1109/TBME.2014.2372011.