Comparação entre as análises estatísticas univariada e multivariada no diagnóstico da doença cerebral de Alzheimer
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2007
Autores
Aguiar, N. A. O.
Orientador
Thomaz, C. E.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
AGUIAR, N. A. O. Comparação entre as análises estatísticas univariada e multivariada no diagnóstico da doença cerebral de Alzheimer. 2007. 150 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da FEI, São Bernardo do Campo, 2007 Disponível em: . Acesso em: 3 fev. 2009.
Texto completo (DOI)
Palavras-chave
Alzheimer, Doença de Pesquisa,Análise multivariada Pesquisa,Pesquisa quantitativa
Resumo
A doença de Alzheimer é considerada uma das desordens cerebrais mais comuns e suas conseqüências são devastadoras, pois o cérebro humano tende a degenerar progressivamente e áreas como a memória, o raciocínio, a comunicação e a coordenação motora são particularmente afetadas. Embora a doença de Alzheimer seja a demência mais comum, ainda não existe uma cura para a mesma, e também não se sabe qual é a razão principal para que esta doença se manifeste. Um dos grandes avanços das pesquisas nesta área tem sido observado em trabalhos científicos que utilizam técnicas de neuroimagem de alta resolução, tais como imagens de ressonância magnética, para avaliar a estrutura, a função cerebral e a ativação de certas áreas do cérebro. Essa dissertação apresenta um estudo comparativo de imagens cerebrais de ressonância magnética, entre pessoas diagnosticadas previamente com a doença de Alzheimer e controle. Tomando as imagens cerebrais como ponto de partida investiga-se duas técnicas de análise estatística: a análise univariada denominada Statistical Parametric Mapping (SPM), comumente utilizada em problemas deste tipo; e a análise multivariada, proposta recentemente, formada pela composição das técnicas Principal Component Analysis (PCA) e Maximum Uncertainty Linear Discriminant Analysis (MLDA). Nos resultados obtidos em ambas análises, observou-se diferenças nas imagens extremamente relevantes, isto é, as áreas cerebrais onde foram encontradas as diferenças são onde realmente ocorrem alterações provocadas pela doença de Alzheimer. Essas áreas são o hipocampo, ventrículo, hipotálamo, corpo caloso, córtes cerebral, giro do cingulo e amígdala. Discute-se também a potencialidade dessas análises estatísticas e o grande benefício que um especialista da área médica desfrutaria se tivesse acesso a ambos os resultados auxiliando-o em eventuais pesquisas e diagnósticos da doença em questão.
Alzheimer's disease is considered one of the most common cerebral disorders and its consequences are devasting, because the human brain deteriorates progressively and areas such as the memory, reasoning, personal communication and coordination are particulary affected. Although the Alzheimer's disease is the most common brain dementia, its cure is still unknown and it has not been possible yet to determine its main reason of occurrence. The main research advances in this area have been observed in scientific works that have used techniques of neuro-images with high resolution, such as magnetic resonance (MR) imaging, to verify the structure, function and activation of specific human brain regions. This dissertation presents a comparative study of MR brain images between subjects previously diagnosed with Alzheimer and controls. using these MR images, we investigate two statistical methods of analysis: Statistical Parametric mapping (SPM), a mass-univariate statistical method commonly used on image brain analysis; and a multivariate statistical framework proposed recently which is composed of Principal Component Analysis (PCA) and Maximum uncertainty linear Discriminant Analysis (MLDA). Our experimental results have shown that both statistical methods extract relevant changes between the groups, and such changes are among the areas thought to be the most prominently affected by atrophic changes in Alzheimer's disease. These areas are the hippocampus, ventricular system, hypothalamus, corpus callosum, brain cortex, cingulate gyrus and amigdala. We discuss also the benefit of using such mass-univariate and multivariate statistical models in the medical field leading clinicians to an automated detection of abnormalities which may be beneficial for understanding brain disorders in general and diagnoses.
Alzheimer's disease is considered one of the most common cerebral disorders and its consequences are devasting, because the human brain deteriorates progressively and areas such as the memory, reasoning, personal communication and coordination are particulary affected. Although the Alzheimer's disease is the most common brain dementia, its cure is still unknown and it has not been possible yet to determine its main reason of occurrence. The main research advances in this area have been observed in scientific works that have used techniques of neuro-images with high resolution, such as magnetic resonance (MR) imaging, to verify the structure, function and activation of specific human brain regions. This dissertation presents a comparative study of MR brain images between subjects previously diagnosed with Alzheimer and controls. using these MR images, we investigate two statistical methods of analysis: Statistical Parametric mapping (SPM), a mass-univariate statistical method commonly used on image brain analysis; and a multivariate statistical framework proposed recently which is composed of Principal Component Analysis (PCA) and Maximum uncertainty linear Discriminant Analysis (MLDA). Our experimental results have shown that both statistical methods extract relevant changes between the groups, and such changes are among the areas thought to be the most prominently affected by atrophic changes in Alzheimer's disease. These areas are the hippocampus, ventricular system, hypothalamus, corpus callosum, brain cortex, cingulate gyrus and amigdala. We discuss also the benefit of using such mass-univariate and multivariate statistical models in the medical field leading clinicians to an automated detection of abnormalities which may be beneficial for understanding brain disorders in general and diagnoses.