Investigação do potencial de métricas texturais na quantificação de imagens PET na doença de Alzheimer

Trabalho de Projeto do Mestrado em Engenharia Biomédica apresentado à Faculdade de Ciências e TecnologiaA doença de Alzheimer (AD) é uma das doenças neurodegenerativas mais comuns e a causa mais frequente de demência, afetando cerca de 150 milhões de pessoas mundialmente. É largamente aceite que os principais identificadores desta doença são a formação de placas senis compostas por beta-amiloide e a formação de tranças neurofibrilares (NFTs). A imagiologia molecular via tomografia por emissão de positrões (PET) com Composto B de Pittsburgh marcado com carbono-11 (PiB), um radiofármaco utilizado para visualizar e quantificar depósitos extracelulares de beta-amiloide, tem sido um dos principais biomarcadores no diagnóstico da doença de Alzheimer e na identificação de alterações neurológicas nesta condição. Relativamente à AD, a quantificação de imagens PET com PiB tem vindo a ser realizada através de modelos cinéticos utilizando regiões de interesse. No estudo apresentado, é testada a hipótese de que métricas texturais podem ser usadas como uma abordagem alternativa ou complementar a estes modelos cinéticos, na quantificação destas imagens, particularmente no que diz respeito à discriminação da AD. Desta forma, vai ser investigado o potencial de métricas texturais baseadas em matrizes de co-ocorrência de nível de cinza (GLCM) na quantificação de imagens PET com PiB, utilizando métodos de machine learning (ML). Para alcançar os objetivos propostos, foram extraídas métricas cinéticas e texturais baseadas em GLCM de imagens PET com PiB em 16 pacientes com um diagnóstico precoce da doença de Alzheimer e em 21 controlos saudáveis. Seguidamente, estas métricas foram submetidas separadamente para classificação, utilizando support vector machines (SVM). Por fim, foram construídos e testados quatro classificadores, um classificador utilizando métricas cinéticas, e outros três utilizando métricas texturais extraídas de três regiões cerebrais distintas. Como as imagens SUVr PiB PET foram usadas na criação do dataset identificador da doença, como esperado, o classificador construído utilizando estas imagens apresentou a melhor performance na classificação dos sujeitos como controlos ou doentes de Alzheimer (exatidão: 0.892; sensibilidade: 0.900; especificidade: 0.850 e exatidão equilibrada: 0.875). Assim, este classificador foi utilizado como referência para avaliar os outros classificadores. Entre os classificadores construídos utilizando métricas texturais baseadas em GLCM, o melhor desempenho foi obtido pelo kernel linear no classificador construído utilizando parâmetros texturais extraídos do córtex cingulado posterior (exatidão: 0.633; sensibilidade: 0.700; especificidade: 0.500 e exatidão equilibrada: 0.600). Todos os classificadores construídos com métricas texturais tiveram um desempenho mais baixo que o classificador de referência no diagnóstico da AD. Além disso, os valores de exatidão equilibrada obtidos por estes classificadores mostram que estes resultados estão at chance level. O classificador construído utilizando métricas texturais extraídas da matéria branca mostrou um pior desempenho, quando comparado aos classificadores construídos utilizando métricas extraídas da matéria cinzenta e do córtex cingulado posterior. Estes resultados estão de acordo com os padrões de retenção de PiB nestas regiões cerebrais, o que sugere que métricas texturais têm a capacidade de quantificar algumas características de acumulação de PiB na condição da AD. Adicionalmente, os resultados obtidos pelo classificador baseado em características extraídas do córtex cingulado posterior sugerem um papel importante desta região cerebral na condição da AD. Em suma, este estudo concluiu que a quantificação cinética baseada em regiões de interesse é ainda a abordagem que permite alcançar os melhores resultados com imagens PET com PiB na discriminação da AD. Apesar das métricas texturais baseadas em GLCM parecerem conseguir quantificar algumas características desta condição, não evidenciam ser informativas o suficiente no que diz respeito a imagens PET com PiB de modo a constituir um substituto das métricas cinéticas, o golden standard na discriminação da doença. Assim, é especulado que parâmetros texturais baseados em GLCM poderão ser um complemento (ou até alternativa) à análise cinética em estudos de neuroimagem com PET envolvendo radiofármacos que exibam maior heterogeneidade ou mudanças de acumulação regional com a doença, o que não é o caso do PiB.Alzheimer’s disease (AD) is one of the most common neurodegenerative diseases and the most common cause of dementia, affecting around 150 million people worldwide. It is widely accepted that the main hallmarks of this disease are the formation of senile plaques composed of beta-amyloid and the intraneuronal formation of neurofibrillary tangles (NFTs). Molecular imaging via positron emission tomography (PET) using carbon-11 labelled Pittsburgh Compound B (PiB), a radiotracer used to visualise and quantify extracellular beta-amyloid deposits, has been one of the main biomarkers for diagnosing Alzheimer’s disease and identifying neurological alterations in this condition. Regarding AD, the quantification of PiB PET images has been based on kinetic models using regions of interest. The present study hypothesizes that textural metrics may be used as an alternative or complement to the kinetic models approach in quantifying PiB PET images, particularly towards the discrimination of AD. Thus, we will investigate the potential of grey level co-occurrence matrix (GLCM) based textural parameters in quantifying PiB PET images by using machine learning (ML) techniques. Therefore, kinetic and GLCM-based textural parameters were computed on PiB PET images of 16 patients with an early diagnosis of Alzheimer’s and 21 HC and submitted separately to classification using support vector machines (SVM). Four classifiers were built and tested. One uses kinetic features, and three other classifiers use textural features extracted from three distinct brain regions. Since SUVr PiB PET images were used to create our label, as expected, the classifier built using these images yielded the best overall performance in classifying the subjects as either HC or AD patients (accuracy: 0.892; sensitivity: 0.900; specificity: 0.850 and balanced accuracy 0.875). Thus, it was used as ground truth to evaluate the other classifiers. Among the classifiers built using GLCM-based textural metrics, the best performance was achieved by the linear kernel in the classifier built with features extracted from the posterior cingulate cortex (accuracy: 0.633; sensitivity: 0.700; specificity: 0.500 and balanced accuracy: 0.600). All the classifiers built using the textural parameters showed a lower ability to discriminate AD, when compared to the reference ground truth classifier. Moreover, the balanced accuracy values yielded by these classifiers indicate that these results are at chance level. The classifier built using textural features extracted from the white matter performed worse when compared to the classifiers built using features extracted from the grey matter and the posterior cingulate cortex. These findings are in accordance with the respective PiB retention patterns in these brain regions, which suggests that textural metrics can quantify some characteristics of the AD condition in PiB uptake. Additionally, the results obtained by the classifier based on features extracted from the posterior cingulate cortex suggest an important role of this brain region in AD. Overall, this study concluded that region of interest based kinetic modelling approaches applied to PiB remain the golden standard to discriminate Alzheimer’s disease from healthy controls. Despite appearing to be able to quantify some characteristics in this condition, GLCM-based textural parameters might not be informative enough regarding PiB PET images to be a substitute to the kinetic golden standard method towards AD discrimination. We speculate that GLCM-based textural parameters may also be a complement (or even an alternative) to kinetic analysis in PET neuroimaging studies involving tracers exhibiting increased heterogeneity or regional shape changes with disease, which is not the case for PiB.FC