Versiones dispersas de máquinas de vectores soporte para la reconstrucción de mapas de activación en fMRI

La técnica de Imágenes de Resonancia Magnética (MRI) está cobrando especial importancia en el campo de la medicina y de la investigación, ya que es una técnica muy útil para el diagnóstico médico porque permite detectar una variedad de afecciones, desde rupturas de ligamentos hasta tumores. La técnica de Imágenes de Resonancia Magnética Funcional (fMRI) permite analizar la actividad cerebral y detectar las áreas cerebrales relacionadas con una determinada tarea. Para ello, empleando una secuencia de imágenes de Resonancia magnética obtenidas mientras que el paciente está realizando una determinada tarea jada, se pueden emplear métodos estadísticos capaces de obtener un mapa de activación cerebral que indique que zona del cerebro se encarga o está relacionada con la tarea en cuestión. Actualmente, para la reconstrucción de estos mapas, la técnica más empleada es el mapeo estadístico paramétrico (SPM), el cual es un software que haciendo uso de técnicas de regresión lineal, permite la reconstrucción de los mapas de activación. El problema de esta técnica es que utiliza métodos univariantes, no teniéndose en cuenta así las relaciones existentes entre las diferentes áreas e, incluso, entre los diferentes voxels que componen el mapa de activación. Al ignorarse esta propiedad, los mapas de activación obtenidos mediante la técnica del SPM presentan una fuerte componente de ruido, que obliga a emplear al GLM un posprocesado basado en un test estadístico que permite eliminar todos los voxels irrelevantes y detectar las zonas de activación relacionadas con la tarea. El objetivo de este proyecto es analizar la viabilidad del uso de las técnicas de Máquinas de Vectores Soporte para Regresión (SVR) para la reconstrucción de los mapas de activación cerebrales, las cuales sí tienen en cuenta esta propiedad de los datos fMRI. Además, se proponen métodos dispersos que permitan de una forma automática eliminar del mapa de activación los voxels no relevantes, asignando únicamente valores no nulos a aquellos voxels relacionados con la tarea funcional asociada al estudio. Como se verá, esta ténicas permitirán la obtención de mapas de activación muy focalizados, que de forma clara y concisa determinan el voxel o los voxels más relevantes para la tarea en estudio. Además de ello, se estudiará otro factor muy importante en un estudio fMRI: el número de datos necesarios para obtener un mapa de activación en el que se pueda concluir el área relevante. Esto es de vital importancia debido, entre otras razones, al coste económico del estudio fMRI, el cual depende directamente de su duración, por lo que es necesario obtener métodos que con pocos datos de entrada sean capaces de detectar y reconstruir correctamente el área o áreas de actividad cerebral asociadas a la tarea. Por último se propone una nueva arquitectura para la obtención de los mapas de activación cerebrales, mediante el cual se consigue una reducción del coste computacional. Este esquema presenta una estructura jerárquica con un primer bloque en el que se emplea un conjunto de máquinas SVR lineales no dispersas, cada una de ellas especializada en un área funcional cerebral, cuya división se realiza mediante el uso de un mapa de división funcional cerebral (ej. Brodmann, AAL, etc), y un segundo bloque encargado de realizar la combinación de las salidas anteriores mediante el empleo de una máquina dispersa, para así obtener el área relevante en el estudio fMRI. La viabilidad del empleo de estos métodos para la reconstrucción de mapas de activación cerebral, se comprueba sobre un experimento real, en el que se analiza un estímulo motor. Los sistemas empleados para la reconstrucción de los mapas, son capaces de obtener el área cerebral activada así como de dar como resultado unos mapas de activación con solamente los voxels más relevantes en el estudio.Ingeniería Técnica en Sistemas de Telecomunicació