Este trabalho utilizou o arcabou¸co computacional de an´alise de imagens m´edicas por RM que torna poss´ıvel a investiga¸c˜ao de diferen¸cas locais na anatomia do c´erebro humano. Este arcabou¸co implementa o m´etodo de morfometria baseado em voxel que, de forma sucinta, estima a dis-tribui¸c˜ao de probabilidade das intensidade dos voxels para gerar mapas estat´ısticos param´etricos que possam determinar diferen¸cas relevantes que permitem, antes de realizar qualquer tipo de an´alise, extrair as
informa-¸
c˜oes mais importantes. A extra¸c˜ao dessas informa¸c˜oes constitui a etapa
de pr´e-processamento, que tem por objetivo normalizar as imagens com a finalidade de mantˆe-las em um mesmo espa¸co anatˆomico para permitir a compara¸c˜ao de pessoas diferentes em uma mesma an´alise. Ap´os isso, s˜ao extra´ıdas as regi˜oes de interesse do c´erebro por meio da segmenta¸c˜ao de imagens. A ´ultima etapa do pr´e-processamento, a suaviza¸c˜ao, tem o ob-jetivo de suavizar as bordas das imagens, processo que auxilia a eficiˆencia dos testes estat´ısticos.
Neste artigo, por meio de mapeamentos estat´ısticos, foi poss´ıvel revelar quais as diferen¸cas estatisticamente relevantes entre as enfermidades DA e TCL nas estruturas cerebrais humanas. As diferen¸cas encontradas podem complementar os estudos atuais relacionados com ambas as doen¸cas e os efeitos que afetam cada uma das enfermidades, sobretudo no TCL, onde a possibilidade de antecipar a evolu¸c˜ao para outros tipos de demˆencia per-mite um tratamento cl´ınico mais personalizado. Nota-se, especialmente, a relevˆancia da regi˜ao do hipocampo, comum nas duas enfermidades, que estabelece efeitos semelhantes nos pacientes, por´em em diferentes tipos de severidade.
Com o classificador multivariado foi poss´ıvel, al´em de verificar como o m´etodo classifica os grupos analisados, tamb´em constatar o efeito preditor do modelo estat´ıstico na pr´atica. Na classifica¸c˜ao de grupos, o desempenho de acur´acia para separa¸c˜ao dos grupos DA e controles obteve pouco mais de 86% de acur´acia, nos grupos TCL e controle o resultado foi um pouco inferior, chegando a mais de 71% de acur´acia. Estes resultados comprovam que o SVM conseguiu uma boa margem de classifica¸c˜ao para todos os gru-pos analisados. Outros trabalhos na ´area obtiveram valores de desempenho semelhantes por meio desta e de outras t´ecnicas de classifica¸c˜ao quando se compararam os mesmos grupos envolvidos neste trabalho (Cuingnet et al., 2011).
Ao treinar uma base de dados com um n´umero significativo de amos-tras de pacientes com DA e controles, a avalia¸c˜ao de acompanhamento de pacientes com TCL durante 24 meses em trˆes etapas de aquisi¸c˜ao tornou-se um m´etodo promissor de predi¸c˜ao dos efeitos da DA e posterior possibi-lidade de convers˜ao. O modelo foi devidamente validado por meio das confirma¸c˜oes cl´ınicas dos pacientes com convers˜ao para DA, por meio do acompanhamento cl´ınico que o banco de dados ADNI proporciona. O alto grau de confirma¸c˜oes verificadas, superior a 80%, e a grande capacidade de predi¸c˜ao, confirmada pela previs˜ao de convers˜oes de pelo menos seis meses e at´e quatro anos de antecedˆencia, podem indicar um caminho promissor do estudo da convers˜ao de pacientes com TCL para DA.
Agradecimentos
Os autores deste trabalho gostariam de agradecer o apoio da FAPESP (2010/01394-4). Os dados utilizados na elabora¸c˜ao deste estudo foram
obtidos do banco de dados ADNI. Como tal, os pesquisadores do ADNI forneceram os dados, mas n˜ao participaram da an´alise e elabora¸c˜ao deste trabalho. Para pr´e-processamento e classifica¸c˜ao das amostras, foram uti-lizados respectivamente os pacotes SPM e PROBID de computa¸c˜ao em imagens m´edicas e dom´ınio p´ublico.
Referências
Bobinski, M.; de Leon, M.J.; Tarnawski, M.; Wegiel, J.; Reisberg, B.;
Miller, D.C. & Wisniewski, H.M., Neuronal and volume loss in CA1 of the hippocampal formation uniquely predicts duration and severity of Alzheimer’s disease. Brain Research, 14(1-2):267–269, 1998.
Cuingnet, R.; Gerardin, E.; Tessieras, J.; Auzias, G.; Leh´ericy, S.; Habert, M.; Chupin, M.; Benali, H. & Colliot, O., Automatic classification of patients with Alzheimer’s disease from structural MRI: A comparison of ten methods using the ADNI database.NeuroImage, 56(2):766–781, 2011.
Flint Beal, M.; Lang, A.E. & Ludolph, A.C.,Neurodegenerative Diseases:
neurobiology, pathogenesis and therapeutics. Cambridge, UK: Cam-brige University Press, 2005.
Forlenza, O.V. & Almeida, J.R.,Envelhecimento e transtornos psiqui´ atri-cos. S˜ao Paulo, SP: Atheneu, 2006.
Friston, K.J.; Ashburner, J.; Frith, C.D.; Poline, J.B.; Heather, J.D. &
Frackowiak, R.S.J., Spatial registration and normalization of images.
Human Brain Mapping, 3(3):165–189, 1995.
Friston, K.J.; Ashburner, J.T.; Kiebel, S.J.; Nichols, T.E. & Penny, W.D.
(Eds.), Statiscal Parametric Mapping: The Analysis of Functional Brain Images. London, UK: Academic Press, 2007.
Friston, K.J.; Frith, C.D.; Liddle, P.F. & Frackowiak, R.S.J., Comparing functional (PET) images: the assessment of significant change.Journal of Cerebral Blood Flow & Metabolism, 11(4):690–699, 1991.
Friston, K.J.; Holmes, A.P.; Poline, J.B.; Grasby, P.J.; Williams, S.C.;
Frackowiak, R.S.J. & Turner, R., Analysis of fMRI time-series revisi-ted. NeuroImage, 2(1):45–53, 1995b.
Friston, K.J.; Holmes, A.P.; Worsley, K.J.; Poline, J.P.; Frith, C.D. & Frac-kowiak, R.S.J., Statistical parametric maps in functional imaging: A general linear approach. Human Brain Mapping, 2(4):189–210, 1995a.
Girardi, L.H.; Cargnelutti Filho, A. & Storck, L., Erro tipo I e poder de cinco testes de compara¸c˜ao m´ultipla de m´edias. Revista Brasileira de Biometria, 27(1):23–36, 2009.
Good, C.D.; Johnsrude, I.S.; Ashburner, J.; Henson, R.N.; Friston, K.J. &
Frackowiak, R.S., A voxel-based morphometry study of ageing in 465 normal adult human brains. NeuroImage, 14(1):21–36, 2001.
Huang, T.; Kecman, V. & Kopriva, I., Kernel Based Algorithms for Mi-ning Huge Data Sets. v. 17 deStudies in Computational Intelligence.
Heidelberg, Germany: Springer-Verlag, 2005.
Killiany, R.J.; Gomez-Isla, T.; Moss, M.; Kikinis, R.; Sandor, T.; Jolesz, F.;
Tanzi, R.; Jones, K.; Hyman, B.T. & Albert, M.S., Use of structural magnetic imaging to predict who will get Alzheimer’s disease. Annals of Neurology, 47(4):430–439, 2000.
Kl¨oppel, S.; Stonnington, C.M.; Chu, C.; Draganski, B.; Scahill, R.I.;
Rohrer, J.D.; Fox, N.C.; Jack Jr., C.R.; Ashburner, J. & Frackowiak, R.S.J., Automatic classification of MR scans in Alzheimer’s disease.
Brain, 131(3):681–689, 2008.
Le˜ao, R.D.; Sato, J.R. & Thomaz, C.E., Extra¸c˜ao multilinear de
informa-¸
c˜oes discriminantes em imagens de ressonˆancia magn´etica do c´erebro humano. Anais do XXX Congresso da SBC – XX Workshop em Infor-m´atica M´edica, :1740–1749, 2010.
Marquand, A.; Rondina, J.; Mour˜ao-Miranda, J.; Rocha-Rego, V. &
Giampietro, V., Pattern Recognition of Brain Image Data (PRO-BID). Technical Report, King’s College London, London, UK, 2010.
www.brainmap.co.uk/Programs/PROBID_user_guide_v1.03.pdf.
McKhann, G.; Drachman, D.; Folstein, M.; Katzman R., P.D. & Stadlan, E., Clinical diagnosis of alzheimer’s disease: Report of the NINCDS-ADRDA Work Group under the auspices of department of health and human services task force on Alzheimer’s disease. Neurology, 34(7):939–944, 1984.
Mour˜ao-Miranda, J.; Reynaud, E.; McGlone, F.; Calvert, G. & Brammer, M., The impact of temporal compression and space selection on SVM analysis of single-subject and multi-subject fMRI data. NeuroImage, 33(4):1055–1065, 2006.
Rorden, C. & Brett, M., Stereotaxic display of brain lesions. Behavioural Neurology, 12(4):191–200, 2000.
Sato, J.R.; Fujita, A.; Thomaz, C.E.; Morais-Martin, M.G.; Mour˜ ao-Miranda, J.; Brammer, M.J. & Junior, E.A., Evaluating SVM and MLDA in the extraction of discriminant regions for mental state pre-diction. NeuroImage, 46(1):105–114, 2009.
Sch¨olkopf, B.; Tsuda, K. & Vert, J.P. (Eds.),Kernel Methods in Compu-tational Biology. Cambridge, USA: MIT Press, 2004.
Spulber, G.; Niskanen, E.; MacDonald, S.; Smilovici, O.; Chen, K.; Rei-man, E.M.; Jauhiainen, A.M.; Hallikainen, M.; Tervo, S.; Wahlund, L.O.; Vanninen, R.; Kivipelto, M. & Soininen, H., Whole brain atrophy rate predicts progression from MCI to Alzheimer’s disease. Neurobio-logy Aging, 31(9):1601–1605, 2010.
Talairach, J. & Tournoux, P., Co-planar stereotactic atlas of the human brain. Stuttgart, Germany: Thieme Medical Publishers, 1987.
Vapnik, V.N.,Statistical Learning Theory. New York, USA: J. Wiley &
Sons, Inc., 1998.
Vapnik, V.N.,The nature of statistical learning theory. 2a edi¸c˜ao. New York, USA: Springer-Verlag, 1999.
Weston, J., Leave-one-out support vector machines. Proceedings of the Six-teenth International Joint Conference on Artificial Intelligence, :727–
731, 1999.
Xu, Y.C.; Jack Jr., C.R.; O’Brien, P.C.; Kokmen, E.; Smith, G.E.; Ivnik, R.J.; Boeve, B.F.; Tangalos, R.G. & Petersen, R.C., Usefulness of MRI measeures of entorhinal cortex vs. hippocampus in AD. Neurology, (9):1760–1767, 2000.
Yakushev, I.; Hammers, A.; Fellgiebel, A.; Schmidtmann, I.; Scheurich, A.;
Buchholz, H.; Peters, J.; Bartenstein, P.; Lieb, K. & Schreckenberger, M., SPM-based count normalization provides excellent discrimination of mild Alzheimer’s disease and amnestic mild cognitive impairment from healthy aging. NeuroImage, 44(1):43–50, 2009.
Notas Biográficas
Michel Pereira Fernandestem gradua¸c˜ao e mestrado em Engenharia El´etrica (FEI, 2006 e 2011, respectivamente). Atualmente ´e professor da Universidade Paulista (UNIP), da Faculdade de Inform´atica e Administra¸c˜ao Paulista (FIAP) e consultor de projetos de sistemas voltados a inova¸c˜ao na Telefˆonica Vivo, atuando principalmente nos seguintes temas: sistemas de classifica¸c˜ao de imagens m´edicas e minera¸c˜ao de dados, al´em de sistemas de acessibilidade a deficientes visuais.
Jo˜ao Ricardo Satotem gradua¸c˜ao em Estat´ıstica, mestrado e doutorado (Uni-versidade de S˜ao Paulo, 2002, 2004 e 2007, respectivamente). ´E Coordenador e Professor do N´ucleo de Cogni¸c˜ao e Sistemas Complexos na UFABC. Atua prin-cipalmente em projetos de pesquisa multidisciplinares envolvendo os seguintes temas: modelagem estat´ıstica e computacional em neurociˆencias, neuroimagem, mapeamento funcional do c´erebro humano, an´alise de s´eries temporais, bioesta-t´ıstica, estat´ıstica n˜ao-param´etrica e modelos de regress˜ao.
Geraldo Busatto Filho tem gradua¸c˜ao em Medicina (Universidade de S˜ao Paulo, 1987), residˆencia m´edica (Instituto de Psiquiatria do Hospital das Cl´ınicas da USP – HC-FMUSP, 1990), doutorado em Psiquiatria pelo (Institute of Psychiatry, University of London, 1995), e p´os-doutorado (University of London, 1996). Atualmente ´e Professor Associado do departamento de Psiquiatria junto
`
a FMUSP, sendo o coordenador do Laborat´orio de Investiga¸c˜ao M´edica 21 (LIM21) do HC-FMUSP, cujo tema central de investiga¸c˜oes s˜ao estudos de neuroimagem aplicados aos transtornos neuro-psiqui´atricos. Suas linhas de pesquisa principais envolvem o uso de m´etodos de ressonˆancia magn´etica, PET e SPECT para a investiga¸c˜ao de esquizofrenia e outros transtornos psic´oticos, demˆencias e transtornos do humor, associando os dados de neuroimagem a outros biomarcadores.
Carlos Eduardo Thomaz tem gradua¸c˜ao em Engenharia Eletrˆonica e mestrado em Engenharia El´etrica (Pontif´ıcia Universidade Cat´olica do Rio de Janeiro, 1993 e 1999, respectivamente), doutorado e p´os-doutorado em Ciˆencia da Computa¸c˜ao (Imperial College London, 2005). Atualmente ´e professor adjunto do Centro Universit´ario da FEI. Tem experiˆencia na ´area de Ciˆencia da Computa¸c˜ao, com ˆenfase em reconhecimento de padr˜oes em estat´ıstica, atuando principalmente nos seguintes temas: Vis˜ao Computacional, Computa¸c˜ao em Imagens M´edicas e Biometria.
.