Abstract

This work belongs to the neurodegenerative diseases research field, especially, the Alzheimer’s disease. It has been developed based on multiple previous researches and contributions made in this field, and mainly around the Alzheimer’s Disease Neuroimaging Initiative (ADNI) which pretends to developed biochemical biomarkers for the early detection and tracking of Alzheimer’s Disease; and the software called Clinica Software that aims to provide a solution that faces the enormous diversity among different techniques, measurements and validations when it comes to making comparisons between different approaches to get these biomarkers. Therefore, this work pretends to continue these contributions with the development of a features extraction module from MRI scans. This module is integrated in Clinica Software and enables the possibility of using more variables to carry out MRI images classifications and identify which ones offer a better accuracy in the classifications. During its development, it has been carried out different previous phases such as the preparation of the environments and tools, the selection and download of a suitable population, the conversion of this data into a standard format and the pre-processing of this standardized data. In addition, a previous phase of resolution around an issue in the conversion module of Clinica Software has been required to perform the other phases. As soon as the pre-processed data is obtained, the features extraction module is used to compute four main statistics regarding the occurrence of gray matter in each of the images. These statistics are the average, standard deviation, kurtosis and skewness. After getting the statistics, a classification of the pre-processed images has been carried per each of the calculated statistics, and the results have been compared to each other in order to identify which ones offer a better accuracy in the classification.

El presente trabajo se ubica dentro del campo de investigación de enfermedades neurodegenerativas, especialmente el Alzheimer. Dicho trabajo se ha realizado en base a numerosas investigaciones y aportaciones previas en este campo, principalmente en torno a la iniciativa Alzheimer’s Disease Neuroimaging Initiative (ADNI) que pretende desarrollar marcadores biológicos para la detección temprana y seguimiento del Alzheimer; y la herramienta Clínica Software cuyo objetivo es ofrecer una solución a la enorme diversidad que existe en cuanto a técnicas, mediciones y validaciones que hay para realizar estudios y comparaciones entre distintos enfoques cuyo objetivo es la obtención de dichos marcadores. Así, este trabajo continúa las crecientes aportaciones con el desarrollo de un módulo de extracción de características a partir de imágenes de resonancia magnética de cerebros. El módulo se ha desarrollado para integrarlo en Clínica Software y ofrece la posibilidad de ampliar el abanico de variables sobre las que realizar la clasificación de imágenes de resonancia magnética previamente pre-procesadas, así como identificar las características que ofrecen una mayor precisión en la clasificación. Para su desarrollo, se han llevado a cabo diferentes fases previas como la preparación del entorno y herramientas, la selección y obtención de una población de sujetos, su conversión a un formato estándar y el pre-procesado de las imágenes de resonancia magnética de cerebros de los sujetos. Además, se ha realizado una fase de resolución de una incidencia en el módulo de conversión de Clínica Software. Una vez obtenidas dichas imágenes pre-procesadas, se ha empleado el módulo de extracción de características desarrollado para calcular cuatro estadísticas principales respecto a la presencia de materia gris en cada una de ellas. Estas cuatro estadísticas son la media escalar, la desviación típica, la curtosis y la asimetría (skewness). Tras la obtención de las características, se ha realizado una clasificación de las imágenes pre-procesadas basándose en cada una de las características previamente calculadas y se han comparado los resultados obtenidos para identificar qué características proporcionan una mayor precisión en la clasificación.