Detecció d’àrees cerebrals alterades en TEA, mitjançant segmentació automatitzada i aprenentatge profund d’imatges MRI
La finalitat d’aquest projecte és detectar diferencies estructurals i patrons anòmals de desenvolupament cerebral en persones dins el trastorn de l’espectre autista (TEA), un trastorn del neurodesenvolupament sense causes específiques conegudes i sense biomarcadors objectius robusts. L’estudi s’abor...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2026 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/154341 |
| Acceso en línea: | https://hdl.handle.net/10609/154341 |
| Access Level: | acceso abierto |
| Palabra clave: | Trastorn de l‘Espectre Autista (TEA) Neuroimatge (MRI) Aprenentatge Estadístic (Statistical Learning) Bioinformatics -- TFM Bioinformàtica -- TFM |
| Sumario: | La finalitat d’aquest projecte és detectar diferencies estructurals i patrons anòmals de desenvolupament cerebral en persones dins el trastorn de l’espectre autista (TEA), un trastorn del neurodesenvolupament sense causes específiques conegudes i sense biomarcadors objectius robusts. L’estudi s’aborda des d’una perspectiva neurocientífica amb el doble objectiu d’identificar possibles biomarcadors que puguin esdevenir dianes per a teràpies personalitzades i de desenvolupar un model d’intel·ligència artificial capaç de discriminar entre individus TEA i Control per facilitar el diagnòstic. Per dur a terme l’anàlisi es fan servir imatges de ressonància magnètica (RMI) del projecte ABIDE II. La segmentació de les regions cerebrals s’ha realitzat amb Synthseg, una eina basada en xarxes neuronals convolucionals integrada dins el paquet FreeSurfer. L’anàlisi bioestadística ha permès identificar diferencies entre la connectivitat estructural, el volum i en la maduració de diverses regions cerebrals entre els dos grups. En quant al desenvolupament del model computacional, CatBoost ha estat l’algoritme amb millor rendiment, assolint una precisió superior al 80% en la classificació entre grups. L’anàlisi bioestadística permet suggerir biomarcadors potencials, sense que cap d’ells presenti una diferenciació prou clara i robusta. El model d’aprenentatge automàtic no permet identificar regions específiques com a biomarcadors, ja que el millor rendiment s’obté fent servir totes les regions cerebrals de manera conjunta. Els resultats indiquen que cal augmentar la mostra i aprofundir en l’estudi per millorar la precisió diagnòstica i avançar cap a biomarcadors objectius aplicables en la pràctica clínica. |
|---|