Métodos de aprendizaje máquina para fMRI : aplicación al diagnóstico de esquizofrenia

Nuestro objetivo es implementar una serie de algoritmos adaptados al problema de clasificación y regresión de tres tipos diferentes de imágenes, una relacionada con el análisis de estímulos visuales, motores, cognitivos y auditivos, otra correspondiente a pacientes esquizofrénicos y por último unas series temporales motoras en los que el sujeto realiza la acción de presionar un botón cuando se presenta un tono a través de unos auriculares.. El estudio de los estímulos y las series temporales servirán para validar los algoritmos implementados ya que se dispone de un gran número de imágenes para este cometido y estos han sido previamentevalidados en su calidad por expertos de ámbito de la RMN. Las técnicas desarrolladas se aplicarán a la detección de esquizofrenia. Los datos utilizados en este trabajo consisten en series temporales y mapas estadísticosf lVIBJ previamente preprocesadasp ara su análisis estadístico. En el capítulo 2 se desarrollará una introducción a las técnicas de RiMN, con énfasis en fMRI donde precisamente se resumen las técnicas de preprocesado y obtención de mapas estadísticos. Con. estas imágenes obtenemos tres tipos diferentes de datos, los primeros datos provienen de experimentos enfocados a la estimulación visual, motora, cognitiva y auditiva, los segundos corresponden a series temporales motoras y los terceros a un estudio de esquizofrenia realizado con pacientes y controles. En el capítulo 3 se detalla la teoría utilizada en el capítulo 4 donde se explica el algoritmo.. Este realiza tareas de clasificación o regresión dependiendo de los datos que estemos analizando, para los estímulos sensorimotores y cognitivos necesitaremos un clasificador mientras que para las series temporales motoras un regresor.. También veremos cómo a partir de las fMRI obtenemos los datos necesarios para poder realizar UIl estudio de los mismos, para ello tenemos que normalizar estos a través de máscaras cerebrales estandard y elinlinar la información no necesaria fuera de nuestra área de interés, así como disminuir la dimensionalidad que estosp resentan.U na vez acondicionadoslo s datos, entrenaremos ytestearemos el algoritmo haciendollSode la librería LIBSVM. En el capítulo 5 mostraremos los resultados obtenidos que discutiremos finalmente en el capítulo 6 donde se extraerán las conclusiones del trabajo realizado. Ingeniería de Telecomunicación