ANÁLISIS COMPUTARIZADO DE MRI PARA EL DIAGNÓSTICO DEL AUTISMO
El diagnóstico actual del trastorno del espectro autista es desafiante debido a los complejos síntomas de la enfermedad. Básicamente, este proceso se basa en observaciones puramente conductuales, las cuales lo convierten en un método altamente subjetivo. Además, la presencia de comorbilidades psiqui...
- Autores:
-
Cancino Rey, William Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- eng
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/11488
- Palabra clave:
- AUTISMO
MDWD
rs-fMRI
WAVELET
APRENDIZAJE AUTOMÁTICO
AUTISM
MDWD
rs-fMRI
WAVELET
MACHINE LEARNING
- Rights
- openAccess
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| Summary: | El diagnóstico actual del trastorno del espectro autista es desafiante debido a los complejos síntomas de la enfermedad. Básicamente, este proceso se basa en observaciones puramente conductuales, las cuales lo convierten en un método altamente subjetivo. Además, la presencia de comorbilidades psiquiátricas puede disfrazar o alterar algunos de los síntomas, complicando así la detección del trastorno. Para abordar el problema en cuestión, en este estudio proponemos un enfoque dirigido al diagnóstico automático del autismo que se basa en Multilevel Discrete Wavelet Decomposition (MDWD) y Máquinas de Soporte Vectorial (SVM). En primer lugar, utilizamos imágenes de resonancia magnética funcional en estado de reposo (rs-fMRI) del conjunto de datos Autism Brain Imaging Data Exchange I, ya que permiten el estudio de posibles anomalías en la conectividad funcional del cerebro asociadas al autismo. Luego, a partir de estas imágenes, extraemos series temporales de regiones de interés definidas por un atlas cerebral. A continuación, aplicamos MDWD a las series temporales y las subseries resultantes se utilizan para la construcción de matrices de conectividad funcional. Finalmente, los vectores de características que se obtienen de estas matrices sirven de entrada al clasificador SVM. El método propuesto se evalúa en 175 secuencias de rs-fMRI. Los resultados muestran que el uso de MDWD en el análisis de las señales proporciona una mejora significativa en el rendimiento del clasificador. Nuestro mejor modelo alcanza una exactitud, precisión y área bajo la curva de 72.5%, 81.3% y 0.788, respectivamente. |
|---|