Extracción de características texturales de imágenes de resonancia magnética del cerebro

Abstract

La imagen médica se ha convertido en los últimos años en una potente herramienta de ayuda al diagnóstico de enfermedades neurodegenerativas. En concreto, para la enfermedad del Alzheimer, el proceso de degeneración puede ser visualizado a través de varias modalidades de imagen médica (siendo la más común las imágenes de resonancia magnética, MRI). Las sutilezas de los cambios en las primeras etapas de la enfermedad de Alzheimer hacen difícil distinguir patrones mediante evaluación radiológica convencional. Esto ha impulsado el desarrollo de numerosos estudios basados en la evaluación de biomarcadores o marcadores biológicos para la detección temprana y seguimiento de la enfermedad. Este trabajo propone el uso de dos herramientas informáticas, Clínica Software, cuyo uso viene motivado por la necesidad de gestionar conjuntos de datos de imágenes de resonancia magnética, es decir, realizar la normalización espacial, la parcelación y la segmentación de un conjunto de imágenes, así como la posterior clasificación de imágenes en base a la media escalar de la densidad de materia gris empleada por defecto en los pipelines de clasificación de Clínica Software; y Py-Radiomics, para la extracción de características adicionales que se corresponden con características de primer orden (media escalar, desviación estándar, etc.) y características texturales como la correlación, auto correlación y sumas de la matriz de coocurrencia de grises (GLCM) y la zona de tamaño de nivel de gris (GLSZM). Actualmente, la tendencia en la extracción de características es la de particularizar sobre regiones específicas del cerebro (ej., hipocampo, amígdala) donde se conoce que la degeneración neuronal asociada a la enfermedad de Alzheimer se presenta de forma temprana. En este trabajo, buscaremos la extracción del conjunto de características texturales sobre las áreas de interés. Tras la obtención de las características, se realizará una clasificación de las imágenes en base a las distintas características. Estos resultados se compararán con los obtenidos en la extracción del conjunto de características sobre todas las regiones del cerebro, con el fin de comprobar cuáles ofrecen una mayor precisión en la clasificación de sujetos que padecen Alzheimer (AD) y sujetos de control (CN).--ABSTRACT--In recent years, medical imaging has become a powerful tool to help diagnose neurodegenerative diseases. Specifically, for Alzheimer's disease, the degeneration process can be visualized through various modalities of medical imaging (the most common being magnetic resonance imaging, MRI). The subtleties of changes in the early stages of Alzheimer's disease make it difficult to distinguish patterns using conventional radiological evaluation. This has prompted the development of numerous studies based on the evaluation of biomarkers or biological markers for early detection and monitoring of the disease. This work proposes the use of two computer tools, Clínica Software, the use of which is motivated by the need to manage magnetic resonance image data sets, i.e., perform spatial normalization, parceling and segmentation of a set of images, as well as the subsequent classification of images based on the scalar mean of the gray matter density used by default in Clínica Software classification pipelines; and Py-Radiomics, for the extraction of additional characteristics corresponding to first-order characteristics (scalar mean, standard deviation, etc.) and textural characteristics such as correlation, autocorrelation and sums of the gray co-occurrence matrix (GLCM) and the gray level size zone (GLSZM). Currently, the trend in the extraction of characteristics is to particularize specific regions of the brain (e.g., hippocampus, amygdale) where neuronal degeneration associated with Alzheimer's disease is known to occur early. In this work, we will look for the extraction of the set of textural characteristics on the areas of interest. After obtaining the characteristics, a classification of the images will be made based on the different characteristics. These results will be compared with those obtained in the extraction of the set of characteristics on all regions of the brain, in order to verify which ones offer a greater precision in the classification of subjects with Alzheimer's disease (AD) and control subjects (CN).