MACHINE AND DEEP LEARNING TECHNIQUES FOR RESTING-STATE FUNCTIONAL MAGNETIC RESONANCE IMAGE ANALYSIS

Abstract

La resonancia magnética funcional en estado de reposo (RMf-ER) ha demostrado ser una herramienta útil en el análisis cerebral de la conectividad funcional humana, percibiendo alteraciones a nivel neurológico y del neurodesarollo. Estas adquisiciones se pueden analizar mediante técnicas recientes de inteligencia artificial, las cuales clasificarían a los pacientes en distintas patologías o condiciones. Sin embargo, la complejidad y el gran volumen de datos de un estudio de este calibre impiden el uso directo de técnicas de deep learning. Esta propuesta diseña una arquitectura genérica de preprocesado y clasificación de conectividad funcional a partir de datos RMf-ER con el objetivo de evaluarlos y desentrañar patrones. Este diseño se aplicará a dos escenarios clínicos: el primero, intentará discernir entre pacientes con el Síndrome Radiológicamente Aislado (RIS), Esclerosis Múltiple (EM) y voluntarios sanos (Control) pertenecientes a un proyecto clínico del Hospital Universitario 12 de Octubre; y el segundo, entre sujetos diagnosticados con el Tastorno del Espectro Autista (ASD) y controles, utilizando el conjunto de datos de neuroimagen de acceso público llamado NYU ABIDE I. A su vez, se ejecutarán dos enfoques con una relación unívoca (dependencia asimétrica), esto es, el primero depende del segundo pero no a la inversa: un enfoque basado en redes neurológicas utilizando mapas funcionales voxel-a-voxel (voxel-wise), y un enfoque basado en conectomas, combinando modelos clásicos de machine y deep learning. De manera sistemática, se emplearán los atlas de Seitzman (2018) y Schaefer (2018) con el propósito de obtener las series temporales regionales y las redes de conectividad funcional en estado de reposo, posibilitando así una evaluación compararativa dinámica del desempeño de ambos modelos. En el primer enfoque, los mapas estadísticos de redes se clasifican utilizando una arquitectura DenseNet121 3D. Los resultados mostraron que el atlas de Seitzman produjo patrones más estables e interpretables, pero la precisión del modelo siguió siendo limitada debido al tamaño del conjunto de datos y a la naturaleza sutil de las alteraciones del RIS, mientras que el conjunto de datos del NYU reveló alteraciones propias de la sintomatología. En el segundo enfoque, se generan tanto conectomas de correlación de Pearson como conectomas de correlación parcial mediante técnicas de aumento de datos espacio-temporales, en este caso el atlas de Schaefer fue superior al de Seitzman en clasificación, particularmente en la base de datos del RIS. En conclusión, los hallazgos resaltan lo crítico que resulta la elección adecuada de un atlas, la representación de características y las posibles estrategias de aumento de datos para el rendimiento de los clasificadores basados en RMf-ER. Estos resultados subrayan la complejidad del modelado del conectoma funcional y apunta a futuras direcciones de investigación para incrementar la predicción del diagnóstico.