Προσομοίωση Εγκεφαλικής Ατροφίας Σχετιζόμενης με Γήρανση σε Απεικονιστικά ∆εδομένα και Ανάλυση με Αλγορίθμους Μείωσης ∆ιαστατικότητας

Abstract

Οι επιπτώσεις της γήρανσης είναι ευρέως διαδεδομένες και έχουν πολλαπλά αίτια. Στην παρούσα εργασία επικεντρωθήκαμε στις αλλαγές που παρατηρούνται στον όγκο του εγκε- φάλου (ατροφία) κατά τη γήρανση. Οι αλλαγές αυτές, που εμφανίζονται τόσο συνολικά όσο και τοπικά, μπορεί να σχετίζονται με τη φυσιολογική γήρανση ή με παθολογικά αίτια, όπως η νόσος Αλτσχάιμερ. Για την μελέτη της εγκεφαλικής ατροφίας έχει χρησιμοποιηθεί ευρέως η απεικόνιση μαγνητικού συντονισμού (Magnetic Resonance Imaging, MRI). ́Ενα από τα βασικά χαρακτηριστικά των νευροαπεικονιστικών δεδομένων είναι ο μεγάλος αριθμός διαστάσεων (χαρακτηριστικών) που δεν ευνοεί την ανάλυση τους ή τη χρήση τους για προβλέψεις, όπως για παράδειγμα της εξέλιξης του φαινομένου της ατροφίας: αν σχετίζεται με φυσιολογική γήρανση, αν θα οδηγήσει σε ήπια γνωστική έκπτωση ή νόσο Αλτσχάιμερ. Για την μείωση λοιπόν του αριθμού διαστάσεων νευροαπεικονιστικών δεδομένων έχουν χρησιμο- ποιηθεί αλγόριθμοι γραμμικής ή μή-γραμμικής μείωσης διαστατικότητας όπως οι OPNMF και Locally Linear Embedding. Προτείνεται μια μέθοδος μείωσης της διαστατικότητας με χρήση συνδυασμού ενός γραμ- μικού και ενός μή-γραμμικού αλγορίθμου, ώστε να διαπιστωθεί αν έτσι εντοπίζεται κάποια επιπλέον κρυμμένη/ουσιαστική σχέση μεταξύ των δειγμάτων που θα βοηθήσει στον καλύτε- ρο διαχωρισμό μεταξύ διαφορετικής έντασης/επέκτασης του φαινομένου της ατροφίας σε σχέση με όταν χρησιμοποιείται μεμονωμένα ένας από τους αλγορίθμους. Για να αξιολογηθεί αυτή η μέθοδος, προσομοιώθηκαν γεωμετρίες που αντιπροσωπεύουν εγκεφαλική ατροφία διαφορετικής έντασης/χωρικής επέκτασης τόσο σε συνθετικά δισδιάστατα δεδομένα όσο και σε πραγματικά δεδομένα μαγνητικής τομογραφίας (RAVENS maps). Στη συνέχεια έγινε εφαρμογή των αλγορίθμων μεμονωμένα αλλά και συνδυαστικά και έγινε προβολή των δε- δομένων σε τρείς διαστάσεις ώστε να διαπιστωθεί αν τα δείγματα διαφορετικών κατηγοριών είναι οπτικά διαχωρίσιμα. Για την σύγκριση των διαφορετικών προσεγγίσεων, μεταξύ άλλων μετρικών, χρησιμοποιήθηκε ένας απλός ταξινομητής (επιβλεπόμενης μάθησης) ώστε να γίνει σύγκριση της απόδοσής/ακρίβειάς του πριν και μετά από την μείωση των διαστάσεων. Πρόκειται για μια πρώτη διερεύνηση αυτής της μεθόδου με αρκετά περιθώρια εξειδίκευ- σης και επέκτασης. Σε πρώτη φάση, σε δισδιάστατα συνθετικά σύνολα δεδομένων, φαίνεται πως οι αλγόριθμοι μή-γραμμικής μείωσης της διαστατικότητας μεμονωμένα έχουν μεγάλη επιτυχία στον εντοπισμό και απεικόνιση των σχέσεων μεταξύ δειγμάτων διαφορετικών κατη- γοριών του φαινομένου/γεωμετρίας που προσομοιώνεται σε λιγότερες διαστάσεις. Επιπλέον, στα πραγματικά τρισδιάστατα MRI δεδομένα, για τα οποία έχει δοκιμαστεί/βελτιστοποιηθεί ο αλγόριθμος OPNMF που χρησιμοποιήθηκε, ο συνδυασμός αλγορίθμων ευνοεί περισσότε- ρο την μετέπειτα ταξινόμηση των δειγμάτων διαφορετικών κατηγοριών, σε σύγκριση με όταν χρησιμοποιούμε μεμονωμένα αλγορίθμους μη-γραμμικής μείωσης διαστατικότητας. Ακόμα, σε αυτή την περίπτωση, επιβεβαιώνεται πως η βασική περιοχή ενδιαφέροντος όπου προσο- μοιώνεται η ατροφία, εντοπίζεται και απεικονίζεται κάθε φορά στο πρώτο συστατικό του αλγορίθμου OPNMF.