Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/86174
Title: Evaluation and prediction of Multiple Sclerosis Disease Progression
Other Titles: Avaliação e previsão da progressão de Esclerose Múltipla
Authors: Pinto, Mauro Filipe da Silva 
Orientador: Teixeira, César Alexandre Domingues
Martins, Pedro José Mendes
Keywords: Esclerose Múltipla; Machine Learning; Rastreamento da progressão de doença; Ressonância Magnética; Multiple Sclerosis; Machine Learning; Disease progression tractking; MRI
Issue Date: 28-Feb-2018
Serial title, monograph or event: Evaluation and prediction of Multiple Sclerosis Disease Progression
Place of publication or event: CISUC-DEI
Abstract: Avaliar e prever a progressão de Esclerose Múltipla num doente pode ser uma tarefa complicada. Com uma base de dados tratada pelo autor, originária do Centro Hospitalar e Universitário de Coimbra, esta progressão foi estudada. A base de dados é constituída por dados clínicos e ressonâncias magnéticas ao cérebro. Devido ao número reduzido de doentes, esta foi tratada de modo a ser possível a criação de várias bases de dados com diferentes perspectivas da progressão de modo a abranger um estudo com a maior amplitude possível.Para cada base de dados, foram escolhidos os predictores com maior poder discriminatório para determinados acontecimentos, tais como o subtipo de Esclerose Múltipla e outros relacionados com o EDSS (a escala global utilizada para quantificar a condição neurológica de um doente e, por consequência, da progressão da doença). Ao nível de tratamento de dados, este projeto conta ainda com um método alternativo de pré-processamento de ressonâncias magnéticas, bem como a extracção de estruturas cerebrais e de tecidos como matéria cinzenta, branca e líquido cefalorraquidiano, com a utilização do atlas cerebral SRI-24.Para conjunto de predictores de cada base de dados e para cada acontecimento desejável de ser previsto, foram aplicados algoritmos de machine learning com diferentes métodos de partição e com ou não técnicas de redução de dimensionalidade. Com os resultados em forma de matriz confusão e em área debaixo da curva ROC, todas as bases de dados foram compreendidas com um objetivo de unificação e complementaridade relativamente à progressão da doença.Assim, foi possível construir um sistema de avaliação de performance e escolher os acontecimentos com maior capacidade de serem previstos pelos modelos criados. Ao nível dos dados clínicos encontraram-se os predictores com maior poder, estando não só aqueles que já eram esperados, como variáveis relacionadas com o valor de EDSS, subtipo de Esclerose Múltipla, género, número de anos de doença mas também outros factores não esperados mas interessantes. Estes foram o rácio de manifestações de Esclerose Múltipla encontradas ao nível das vias piramidais nos primeiros dois anos da doença e manifestações iniciais da mesma ao nível da espinal medula e das vias ópticas.A nível imagiológico, o estudo teve uma extracção de predictores intensa, não só na totalidade do cérebro como também em inúmeras estruturas cerebrais específicas e tecidos. Num processo semelhante de encontrar as regiões com maior poder de discriminação nas bases de dados clínicas, foram encontradas duas regiões: córtex frontal superior e córtex orbitofrontal.
Evaluating and predicting Multiple sclerosis disease progression can be a complicated task. With an original database from Centro Hospitalar e Universitário de Coimbra curated by the author, this progression was studied. This database is constituted by clinical history data and by MRI brain scans. The raw database was handled in order to be possible to create different databases with different progression perspectives. As a consequence, a deeper study was achieved.For each created database, the predictors with higher discriminatory power were chosen regarding several labels, like MS course and others directly related to EDSS (the global scale used for quantifying the neurological condition of an MS patient and, as consequence, the disease progression). At the data processing level, an alternative MRI brain scan processing method was developed, as well as an extensive feature extraction from several brain structures/regions and tissues, such as white matter, grey matter and cerebrospinal fluid. This was possible due to the use of the MRI brain SRI-24 atlas.For each database in each situation, machine learning algorithms were applied with different partition methods and with or without dimensionality reduction techniques. With the obtained results in the form of confusion matrix and area under the ROC curve, all databases were handled with not only a unification goal but also with a complementarity objective regarding the disease progression.Thus, it was possible to build an evaluation performance system in order to choose the best-ranked labels in terms of prediction in a general term for every case scenario. At the clinical data level, the predictors' selection was significantly interesting. Not only the expected predictors were chosen, such as EDSS-related variables, gender, MS course, number of years with MS but also other non-expected but interesting factors. These were the ratio of pyramidal tract clinical manifestations in the first 2 years after MS onset and MS initial manifestations related to spinal cord and optic pathways.At imaging level, the performed study had an intensive feature extraction, not only in the brain as a complete structure but also in several smaller specific structures and tissues. In a similar process when compared to the one of finding the most important features in clinical data, two regions with a significant discriminatory power were found: superior frontal gyrus and orbitofrontal gyrus.
Description: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/86174
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Evaluation and Prediction of Multiple Sclerosis Disease Progression.pdf14.06 MBAdobe PDFView/Open
Show full item record

Page view(s) 50

502
checked on Nov 30, 2021

Download(s) 50

541
checked on Nov 30, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons