Contributions to statistical learning for magnetic resonance images

• Main Author: Ventura Campos, Noelia
• Other Authors: Epifanio López, Irene
• Format: Doctoral Thesis
• Language: Spanish
• Published: Universitat Jaume I 2013
• Subjects: Análisis de componentes independientes; Aprendizaje no supervisado; Resonancia magnética; Enfermedad de Alzheimer; plasticidad cerebral y aprendizaje; conectividad funcional; Estadística i Investigació Operativa; 159.9; 311; 51
• Online Access: http://hdl.handle.net/10803/108883; http://nbn-resolving.de/urn:isbn:978-84-695-7488-1

Introducción Este trabajo describe las contribuciones al aprendizaje estadístico desarrollado e implementado en imágenes de Resonancia Magnética (RM). Concretamente, se describe la contribución a los análisis de componentes independientes (ICA), perteneciente al aprendizaje no supervisado, en la mejora de la metodología existente. Ésta mejora metodológica es desarrollada y aplicada para las distintas técnicas de adquisición de imagen: 1. Imagen cerebral adquirida mediante RM estructural en el estudio de la forma de la estructura del hipocampo para la enfermedad de Alzheimer, donde estudios previos longitudinales la asocian con el deterioro debido de la enfermedad. 2. Imagen cerebral adquirida mediante RM funcional para el estudio de la plasticidad cerebral asociada a procesos de aprendizaje. Metodología En el estudio de la forma del hipocampo se introduce la técnica de análisis de datos funcionales (FDA) para formas bidimensionales (2D) y tridimensionales (3D). En ambos estudios se propone una función discriminante lineal basada en ICA para la mejora en la clasificación de los datos. Por otro lado, en el estudio de la plasticidad cerebral se aporta un análisis donde las imágenes de RMf adquiridas en estado de reposo son guiadas por las imágenes de RMf basada en tarea, con el objetivo de encontrar un cambio de la conectividad funcional dado por el proceso de entrenamiento en una tarea nueva. Conclusiones La aproximación mediante FDA para el análisis de imagen, muestra una superioridad con respecto a otras aproximaciones utilizadas. Además, la función discriminante basada en ICA propuesta en este trabajo proporciona mejores resultados en discriminación que usando la metodología descrita en la literatura previa. Con respecto al estudio de las imágenes de RMf, se muestra que la RMf en estado de reposo guiado por RMf basado en tarea abre un nuevo camino para el estudio de cómo el aprendizaje genera plasticidad cerebral.