Diagnosis of Alzheimer's disease from 3D images of the brain along time

Tese de mestrado integrado em Engenharia Biomédica e Biofísica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2014A doença de Alzheimer (AD) é a forma mais comum de demência e, apesar de atualmente não ter cura, o seu diagnóstico precoce é essencial para agir de forma a retardar a progressão dos sintomas. Por esta razão, o desenvolvimento de sistemas automáticos de diagnóstico usando imagens tridimensionais do cérebro tem despertado um interesse crescente nos últimos anos. No entanto, a maioria dos sistemas propostos baseia-se na análise das imagens apenas num instante temporal, ignorando a natureza progressiva da doença. O presente estudo teve como principal objetivo investigar a relevância da informação sobre o declínio metabólico cerebral ao longo do tempo, para o diagnóstico automático da AD. Foram usados imagens de FDG-PET da baseline e de diversos follow-up de sujeitos cognitivamente normais (CN), com défice cognitivo ligeiro (MCI) e pacientes com AD. De forma a extrair as features destas imagens, foram utilizadas duas análises distintas, nomeadamente uma abordagem baseada em voxel-a-voxel e outra baseada em regiões de interesse. Alem disso, foram testados diferentes métodos para selecionar as features mais relevantes, bem como várias abordagens para normalizar a intensidade das imagens de FDG-PET. O algoritmo Support Vector Machine foi usado para realizar classificações binárias entre CN vs AD, CN vs MCI e MCI vs AD. Apesar da informação longitudinal demonstrar não ter um grande poder discriminativo por si só, a combinação da informação de um instante temporal com a variação ao longo do tempo levou a melhores desempenhos de classificação, comparativamente a usar apenas os dados num instante temporal. Os resultados obtidos sugerem que a informação longitudinal pode ser um complemento útil para o diagnóstico automático de AD.Alzheimer's disease (AD) is the most common cause of dementia in the elderly. Although no cure has yet been found for this disorder, it is possible to delay progression of its symptoms if therapeutic intervention is provided at the earliest stage of the disease. However, the early diagnosis may be a challenging task for physicians, since the subtle changes in brain tissues associated with the onset of AD are difficult to detect by visual inspection of neuroimaging scans. Hence, in recent years, increasing attention has been given to the development of computer-aided diagnosis (CAD) for AD, in order to assist physicians in image analysis and interpretation. However, the majority of existing CAD systems rely on the analysis of biomarkers at a single time-point, ignoring the progressive nature of the disorder. In the present thesis, the value of incorporating information on cerebral metabolic patterns along time for the automatic classification of AD was investigated. Baseline and multiple follow-up FDG-PET scans of cognitively normal (CN), mild cognitive impairment (MCI) and AD subjects were used. Voxelbased and multi-region analysis of cross-sectional and longitudinal FDG-PET images were performed. In addition, different feature selection methods were tested, as well as several intensity normalization approaches for FDG-PET images. The Support Vector Machine algorithm was used for CN vs AD, CN vs MCI and MCI vs AD classification tasks. Although the longitudinal information did not seem to have a great discriminative power, the combination of longitudinal and cross-sectional data enhanced the classification results achievable using cross-sectional data alone. In fact, this combination led to results that are in line with the current state-of-the-art, suggesting that longitudinal data may provide valuable complementary information for the automatic diagnosis of AD