Análise Topológica de Imagens Bidimensionais Baseada em Grafos de Quantis

- 337765
Abstract
Favorite this paper
How to cite this paper?
Abstract

A doença de Alzheimer (DA) é uma patologia neurodegenerativa progressiva. Ela representa cerca de 60% dos aproximadamente 50 milhões de casos mundiais [7]. A DA compromete a memória, as habilidades cognitivas e provoca alterações comportamentais, impactando na qualidade de vida dos pacientes e seus familiares. Atualmente sem cura, a DA exige diagnóstico precoce para intervenções terapêuticas, como o uso de inibidores da colinesterase [2].

Nesse contexto, métodos fundamentados em redes complexas surgem como ferramentas matemáticas/computacionais notáveis pela eficácia na modelagem e extração de informações de dados biológicos [1]. Destaca-se o método de Grafos de Quantis (GQ) em sua formulação unidimensional, que se mostra eficaz na identificação precoce de sinais de Alzheimer a partir de dados de Eletroencefalograma [4, 5]. Este trabalho tem como objetivo identificar os diferentes estágios da DA com o uso da versão bidimensional do método de Grafos de Quantis (GQ-2D) [6]. Neste sentido, imagens de ressonância magnética (RM) serão mapeadas em redes complexas e medidas topológicas de redes complexas alimentarão um classificador XGBoost para distinguir diferentes estágios da DA.

Este estudo utiliza 6.400 imagens de RM axial do encéfalo, obtidas através da plataforma virtual Kaggle [3], divididas em: 3.200 imagens de controles saudáveis (CS), 2.240 de pacientes com Declínio Cognitivo muito Leve (DCML), 896 com Declínio Cognitivo Leve (DCL) e 64 com DA moderada. O método GQ-2D particiona cada imagem de dimensões L1 ×L2 pixels em um número de quantis definido por: Q = 2 × (L1 × L2) (1/3) (1), sendo L1 e L2 as dimensões verticais e horizontais da imagem, respectivamente. A identificação de vizinhos para cada pixel ocorre iterativamente, considerando adjacências e um raio de vizinhança r. Cada pixel atua como vértice principal uma única vez, assegurando a cobertura completa da imagem. Ao final, o peso da aresta entre dois vértices ni e nj na rede resultante corresponde ao número de vezes que o quantil qi foi vizinho de qj na imagem, capturando, assim, as relações espaciais e os arranjos estruturais dos pixels [6].

Para explorar diferentes escalas de vizinhança, o método foi aplicado com raios variando de 1 ≤ r ≤ 10, totalizando 64.000 matrizes (redes) geradas. Em cada rede, definiram-se 66 quantis, valor este obtido por meio da Equação (1) ao considerar as dimensões de 208 × 176 pixels das imagens originais, que resulta em Q = 2 × (208 × 176)(1/3) ≈ 66, 4. A partir de cada uma dessas estruturas, procedeu-se à extração de seis medidas topológicas. O conjunto é composto pelo Índice de Estrada (L), calculado pela soma das exponenciais dos autovalores µi da matriz Laplaciana; pela Energia do Grafo (E), que corresponde à soma dos valores absolutos dos autovalores λi da matriz de adjacência; pelo Gap Espectral (S), definido como a diferença entre os dois maiores autovalores da matriz de adjacência; além da Centralidade de Intermediação (B), do Comprimento do Salto (∆) e do Coeficiente de Agrupamento Médio (C), que para redes ponderadas é dado pela média dos coeficientes locais Ci .

O processo de aplicação das medidas topológicas nas matrizes geradas por cada imagem resultou em um conjunto de dados com 6.400 linhas e 1381 atributos, incluindo o rótulo da classe. Cada imagem original deu origem a 138 atributos por raio, totalizando 1.380 atributos por imagem, além do rótulo. Análises preliminares foram realizadas utilizando XGBoost com validação cruzada estratificada de 6 folds. Durante o pré-processamento, identificaram-se valores infinitos e extremos, os quais foram substituídos por NaN para tratamento adequado pelo classificador. A distribuição das classes apresentou acentuado desbalanceamento: 3.200 amostras para CS, 2.240 para DCML, 896 para DCL e apenas 64 para DA moderada. O modelo alcança, nos 6 folds, acurácia média de 79, 9% (±1, 2%), precisão média de 80, 2% (±0, 6%), recall médio de 79, 9% (±1, 2%) e F1-score médio de 79, 1% (±1, 2%) na classificação multiclasse. Observa-se a presença de valores NaN nos dados e acentuado desbalanceamento das classes, fatores que contribuem para a variabilidade de desempenho entre os folds. Estes resultados preliminares demonstram o potencial do GQ-2D para capturar alterações estruturais associadas à progressão da DA. Estão em andamento: tratamento dos valores ausentes, seleção de atributos, balanceamento das classes e otimização de hiperparâmetros do XGBoost, com expectativa de melhoria do desempenho.

Share your ideas or questions with the authors!

Did you know that the greatest stimulus in scientific and cultural development is curiosity? Leave your questions or suggestions to the author!

Sign in to interact

Have a question or suggestion? Share your feedback with the authors!

Institutions
  • 1 Universidade Estadual Paulista 'Júlio de Mesquita Filho'
  • 2 Fundação Getulio Vargas
  • 3 IBB/UNESP
Track
  • ST03 - Scientific Computing
Keywords
Doença de Alzheimer
Redes Complexas
Grafos de Quantis
Imagens de Ressonância Magnética
Aprendizado de Máquina