Caracterización morfológica de poblaciones cerebrales de control mediante autocodificadores con convoluciones basadas en grafos

DELFINA BRAGGIO; HERNÁN CLAUDIO KÜLSGAARD; JUAN PABLO PRINCICH; MARIANA BENDERSKY; SILVIA KOCHEN; JOSÉ IGNACIO ORLANDO; IGNACIO LARRABIDE

Jornada; Jornadas de Inteligencia Artificial del Litoral; 2019

Los métodos tradicionales utilizados para el análisis de la morfología cerebral, tal como voxel-based morphometry, basan sus resultados en el análisis sobre una representación limitada de la anatomía cerebral, acotada principalmente a la concentración de materia gris en cada voxel de la imagen. En consecuencia, estos métodos suelen presentar un gran número de falsos positivos en sus resultados, detectando como anómalas regiones en las que la variación detectada corresponde con variaciones normales entre individuos y no son consecuencia de una patología. En este trabajo se propone estudiar el uso de técnicas de aprendizaje profundo para caracterizar de manera más adecuada la morfología cerebral de individuos sanos (controles) a partir de segmentaciones tridimensionales obtenidas de imágenes de resonancia magnética. En particular, se plantea utilizar autocodificadores con convoluciones basadas en grafos para caracterizar las mallas de superficie correspondientes a los surcos y giros del cerebro. El método será entrenado sobre poblaciones de control extraídas del conjunto de datos públicos del MGH-USC Human Connectome Project, y evaluado en la detección de atrofias asociadas a enfermedades neurodegenerativas.