ANÁLISIS COMPUTARIZADO DE MRI PARA EL DIAGNÓSTICO DEL AUTISMO

Simple item page
dc.contributor.advisorPertuz Arroyo, Said David
dc.contributor.authorCancino Rey, William Andrés
dc.contributor.evaluatorArguello Fuentes, Henry
dc.contributor.evaluatorRamírez Silva, Ana Beatriz
dc.date.accessioned2022-09-16T17:19:56Z
dc.date.available2022-09-16T17:19:56Z
dc.date.created2022-09-12
dc.date.issued2022-09-12
dc.description.abstractEl diagnóstico actual del trastorno del espectro autista es desafiante debido a los complejos síntomas de la enfermedad. Básicamente, este proceso se basa en observaciones puramente conductuales, las cuales lo convierten en un método altamente subjetivo. Además, la presencia de comorbilidades psiquiátricas puede disfrazar o alterar algunos de los síntomas, complicando así la detección del trastorno. Para abordar el problema en cuestión, en este estudio proponemos un enfoque dirigido al diagnóstico automático del autismo que se basa en Multilevel Discrete Wavelet Decomposition (MDWD) y Máquinas de Soporte Vectorial (SVM). En primer lugar, utilizamos imágenes de resonancia magnética funcional en estado de reposo (rs-fMRI) del conjunto de datos Autism Brain Imaging Data Exchange I, ya que permiten el estudio de posibles anomalías en la conectividad funcional del cerebro asociadas al autismo. Luego, a partir de estas imágenes, extraemos series temporales de regiones de interés definidas por un atlas cerebral. A continuación, aplicamos MDWD a las series temporales y las subseries resultantes se utilizan para la construcción de matrices de conectividad funcional. Finalmente, los vectores de características que se obtienen de estas matrices sirven de entrada al clasificador SVM. El método propuesto se evalúa en 175 secuencias de rs-fMRI. Los resultados muestran que el uso de MDWD en el análisis de las señales proporciona una mejora significativa en el rendimiento del clasificador. Nuestro mejor modelo alcanza una exactitud, precisión y área bajo la curva de 72.5%, 81.3% y 0.788, respectivamente.
dc.description.abstractenglishThe current diagnosis of autism spectrum disorder is challenging due to the complex symptoms of the disease. Basically, this process is based on purely behavioral observations, which makes it a highly subjective method. In addition, the presence of psychiatric comorbidities may disguise or alter some of the symptoms, thus complicating the detection of the disorder. To address the problem at hand, in this study we propose an approach aimed at the automatic diagnosis of autism that is based on Multilevel Discrete Wavelet Decomposition (MDWD) and Support Vector Machines (SVM). First, we used resting-state functional magnetic resonance imaging (rs-fMRI) from the Autism Brain Imaging Data Exchange I dataset, as they allow the study of possible abnormalities in functional brain connectivity associated with autism. Then, from these images, we extract time series of regions of interest defined by a brain atlas. Next, we apply MDWD to the time series and the resulting subseries are used for the construction of functional connectivity matrices. Finally, the feature vectors obtained from these matrices serve as input to the SVM classifier. The proposed method is evaluated on 175 rs-fMRI sequences. The results show that the use of MDWD in signal analysis provides a significant improvement in classifier performance. Our best model achieves accuracy, precision and area under the curve of 72.5%, 81.3% and 0.788, respectively.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.description.googlescholarhttps://scholar.google.com/citations?user=agfGfqsAAAAJ&hl=es
dc.description.orcidhttps://orcid.org/0000-0002-6042-4345
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/11488
dc.language.isoeng
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectAUTISMO
dc.subjectMDWD
dc.subjectrs-fMRI
dc.subjectWAVELET
dc.subjectAPRENDIZAJE AUTOMÁTICO
dc.subject.keywordAUTISM
dc.subject.keywordMDWD
dc.subject.keywordrs-fMRI
dc.subject.keywordWAVELET
dc.subject.keywordMACHINE LEARNING
dc.titleANÁLISIS COMPUTARIZADO DE MRI PARA EL DIAGNÓSTICO DEL AUTISMO
dc.title.englishCOMPUTERIZED ANALYSIS OF MRI FOR THE DIAGNOSIS OF AUTISM
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.type
Files
Original bundle
Now showing 1 - 3 of 3
Thumbnail Image
Name:
Documento.pdf
Size:
864.36 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
39.62 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
384.43 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.18 KB
Format:
Item-specific license agreed to upon submission
Description:
Download
Collections
Ingeniería Electrónica