000101723 001__ 101723
000101723 005__ 20210513121124.0
000101723 037__ $$aTAZ-TFG-2021-060
000101723 041__ $$aspa
000101723 1001_ $$aArmunia Hinojosa, Javier
000101723 24200 $$aDeep feature selection for the analysis of Alzheimer’s disease from imaging-genetics
000101723 24500 $$aSelección de características en deep-learning para el análisis de la enfermedad de Alzheimer a partir de imagen y genética
000101723 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2021
000101723 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/
000101723 520__ $$aEl objetivo de este trabajo es reproducir el estudio realizado en L. Yuanyuan et al., Deep<br />Feature Selection and Causal Analysis of Alzheimer’s Disease, Frontiers in Neuroscience, 2019<br />[1]. El estudio consiste en el desarrollo de un sistema que integra deep learning, feature<br />selection, inferencia causal y análisis genéticos y de imágenes para la predicción y una mejor<br />comprensión de las causas de la enfermedad de Alzheimer.<br />En el estudio utilizamos imágenes cerebrales en tres dimensiones, obtenidas mediante la<br />técnica de resonancia magnética Diffusion Tensor Imaging (DTI) y datos genéticos de los<br />pacientes. Contamos con un dataset de imágenes DTI de 112 pacientes (51 AD y 62 CN), cada<br />uno con imágenes en cuatro puntos temporales: baseline, 6 meses, 12 meses y 24 meses. El<br />dataset de datos genéticos se compone del genoma de 79 pacientes, del cual tras su<br />procesado hemos obtenido los 40 genes con los que hemos realizado los experimentos.<br />El trabajo desarrollado ha consistido, en realizar un preprocesado de las imágenes consistente<br />en un registro lineal y no lineal a un atlas estándar y un control de calidad e imputación de los<br />datos genéticos utilizando los datos de referencia de 1000 Genomes. A continuación se ha<br />diseñado un modelo de red neuronal convolucional de tres dimensiones para obtener la<br />probabilidad de que un paciente padezca Alzheimer, estimada a partir de una imágen DTI de su<br />cerebro. Posteriormente, se ha realizado un procedimiento de interpretabilidad de redes<br />neuronales conocido como Prediction Difference Analysis, consistente en ocultar parte de la<br />información de la imágen de entrada para observar la variación en la predicción con el objetivo<br />de obtener las regiones cerebrales a las que la red neuronal da más importancia a la hora de<br />predecir la probabilidad de Alzheimer de un paciente.<br />Finalmente, se han realizado dos experimentos de descubrimiento causal que buscan<br />determinar la dirección de la causalidad entre la enfermedad de Alzheimer y las regiones<br />cerebrales, y entre las regiones cerebrales y los genes, es decir en descubrir si la dirección de la<br />causalidad es X → Y ( X causa Y ) o Y → X ( Y causa X ). Esto se ha abordado mediante la<br />construcción de dos redes generativas adversarias condicionales (CGAN) que aprenderán a<br />generar la distribución de X dado Y y la distribución de Y dado X . Los modelos resultantes<br />se han evaluado mediante un Classifier 2 Sample Test (C2ST), el cual consiste en un método de<br />clasificación que intenta distinguir entre los ejemplos generados por una CGAN y los reales. Si<br />el clasificador no es capaz de distinguir entre los dos conjuntos, es decir, si obtiene una<br />precisión cercana al 50%, significa que la CGAN ha conseguido modelar de forma exitosa la<br />distribución objetivo. Determinaremos que la dirección de causalidad correcta es la que<br />obtenga una precisión menor en su C2ST.<br />Mediante el experimento de interpretabilidad se ha descubierto que el ventrículo es una<br />región a la que la red neuronal presta especial atención al predecir Alzheimer a partir de las<br />imágenes de DTI. Con los experimentos de búsqueda causal hemos encontrado relevancia<br />estadística en la causalidad de todas las ROI analizadas con la dirección ROI → AD y hemos<br />obtenido relevancia en 14 de los genes analizados, destacando el gen CD33, relacionado con el<br />Alzheimer y el SCYL1 relacionado con la atrofia cerebral.<br /><br />
000101723 521__ $$aGraduado en Ingeniería Informática
000101723 540__ $$aDerechos regulados por licencia Creative Commons
000101723 700__ $$aHernández Giménez, Mónica$$edir.
000101723 700__ $$aMayordomo Cámara, Elvira$$edir.
000101723 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos
000101723 8560_ $$f622877@unizar.es
000101723 8564_ $$s1339660$$uhttps://zaguan.unizar.es/record/101723/files/TAZ-TFG-2021-060.pdf$$yMemoria (spa)
000101723 909CO $$ooai:zaguan.unizar.es:101723$$pdriver$$ptrabajos-fin-grado
000101723 950__ $$a
000101723 951__ $$adeposita:2021-05-13
000101723 980__ $$aTAZ$$bTFG$$cEINA
000101723 999__ $$a20210120190338.CREATION_DATE