Estado da Arte da Área
de Aprendizado de Máquina
em Neuroimagem
CI171 - Aprendizado de Máquinas
Rodrigo Gama Baptista
Patrik Luiz Gogola
Universidade Federal do Paraná
Setor de Ciências Exatas
Departamento de Informática
Professor: David Menotti
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
●
●
●
Técnicas de neuroimagem
produzem grandes
quantidades de imagens
cerebrais
Melhor compreensão sobre a
anatomia cerebral, sua
estrutura de conectividade e
suas funções
Desafio de formular métodos
automatizados para um nível
maior de compreensão de
neuroimagens
●
●
●
●
●
●
Decodificar sinais cerebrais
Entender representações corticais
Categorizar e classificar as respostas do cérebro
Detectar anormalidades no cérebro
Auxiliar no diagnóstico de doenças mentais
e assim por diante.
Aprendizado de Máquina é provavelmente um dos campos mais
promissores de pesquisa e que traz novas abordagens e procedimentos
para a interpretação automatizada de neuroimagem
O trabalho pretende investigar as implicações que decorrem
da aplicação de métodos de aprendizado de máquina para o
estudo da função cerebral.
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Background
●
●
●
●
●
●
Inicialmente estudava-se anatomicamente o cérebro, ou seja, por
dissecação
Com o avanço da tecnologia é possível analisar o cérebro in vivo
Extrair informações funcionais e comportamentais e não somente
informações anatômicas
Mapeamento do cérebro: regiões ativadas dado certa tarefa ou estímulo
Utiliza-se duas modalidades: ressonância magnética funcional (fMRI) e
Eletroencefalografia e Magnetoencefalografia (EEG/MEG)
Pergunta: como estudar a compreensão do cérebro além de
simplesmente prever um sinal numérico?
Case 1
Instituto Nacional de Psiquiatria do Desenvolvimento para Crianças e Adolescentes (INPD)
Grupo de 2.512 crianças e adolescentes de São Paulo e Porto Alegre
Cerca de 60% deles possuem um alto risco de desenvolver transtornos psiquiátricos
Estudo do pioneiro na América Latina que busca identificar as alterações na estrutura e no
funcionamento do cérebro que caracterizam o seu amadurecimento saudável e as modificações que
indicam o risco de desenvolver transtornos psiquiátricos.
Algoritmo capaz de reconhecer o padrão da atividade cerebral de crianças em diferentes idades
Usado para avaliar atrasos na maturação da rede cerebral
Case 1
Combinação das ferramentas de teoria dos grafos e aprendizado de máquina permitiu criar um
índice de maturidade cerebral
Verificou que as crianças e os adolescentes com mais sinais de problemas psiquiátricos
apresentavam a rede mais imatura
Transição da infância para a adolescência: os sistemas cerebrais dos jovens saudáveis passam por
transformações diferentes das que ocorrem no daqueles mais propensos a apresentar problemas
psiquiátricos
Médicos e outros profissionais da área da saúde mental esperam que, uma vez conhecidas em
detalhes, as alterações indicadoras de uma evolução indesejável possam ser usadas como
marcadores de risco de transtornos mentais: sinais que surgem antes de o problema se manifestar.
Caso se descubram marcadores eficientes, talvez seja possível intervir precocemente para proteger
o cérebro e tentar evitar que a doença se instale.
Case 2
Universidade Federal do ABC
Análise de medidas neuroanatômicas: regiões cerebrais, volume e espessura
cortical
Objetivo: propôr um índice de anormalidade cerebral para a identificação da
doença de Alzheimer conforme o envelhecimento da pessoa
Banco de dados da Alzheimer’s Disease Neuroimaging Initiative (ADNI)’s
Case 2
Abordagem: One-class-SVM treinada com dados de indivíduos saudáveis para
construir um índice anormalidade, que foi comparado com indivíduos
diagnosticados com transtorno cognitivo leve e doença de Alzheimer
Resultado: o método obteve uma acurácia de 84.3% e sugere que a
classificação de uma classe pode ser uma abordagem promissora para ajudar
na detecção de condições de doença
Case 3
Machine Learning Department e Center for the Neural Basis of Cognition Carnegie Mellon University, EUA
Estudo do processamento de informações no cérebro durante a
compreensão de uma história
Identificação das atividades de regiões do cérebro que tem relação com a
complexidade sintática
Objetivo central: entender como o cérebro processa histórias
Case 3
Abordagem: treinar um programa de computador para aprender o
mapeamento entre características da história e a atividade observada no fMRI
Decodificar qual passagem da historia está sendo lida dado um momento da
atividade cerebral
Método de aprendizado de maquina de validação cruzada (cross-validation)
O modelo é utilizado com sucesso para decodificar uma passagem de uma
história a partir de um seg mento de dados de ressonância magnética
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Alguns conceitos...
Encoding: consiste em prever os
dados da imagem dadas variáveis
externas, tais como descritores de
estímulos
Decoding: aprendizagem de um
modelo que prevê variáveis
comportamentais ou fenotípicas a
partir de dados de imagem
cerebral
O experimento de Haxby
Observar estímulos visuais referentes a 8 categorias
diferentes: face, casa, gato, garrafa, tesoura, sapato,
cadeira e scrambedpix
6 indivíduos durante 12 sessões
Objetivo: prever a categoria do estímulo apresentado ao
sujeito dados os volumes de ressonância magnética
gravados
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Temos que prever uma categoria dadas as imagens de ressonância magnética
Temos os datasets para treinar nossos algoritmos
Problema de aprendizagem supervisionada
Também é problema de classificação, visto que a variável deste problema
assume valores discretos, no caso, as 8 possíveis categorias
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Comparação entre diferentes tipos de kernel de Support Vector Machines
(SVM)
Kernels utilizados: linear, polinomial e RBF (Radial Basis Function)
Para fins de simplicidade, foram utilizados dados de apenas 1 indivíduo
Nos métodos com cross-validation: foi utilizado método GridSearchCV() da
ferramenta scikit learn
GridSearchCV() divide o dataset em 2 partes e encontra seus valores de
paramêtros ideais
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
Observamos que o kernel linear obteve melhores resultados na detecção de
todas as categorias, independente de usar cross-validation
É possível inferir, então, que neste caso o problema é trivial de ser resolvido e
os dados são linearmente separáveis
É possível obter bons resultados com a aplicação de SVM no experimento de
Haxby
Entretanto, é possível que existam melhores implementações ou métodos de
aprendizado de máquina que consigam melhores resultados
Agenda
Introdução
Desenvolvimento
O experimento de Haxby
Metodologia
Abordagem utilizada
Resultados
Conclusão
A interpretação de imagens do cérebro exige a análise de dados complexos e variados
A utilização de algoritmos de aprendizado de máquina para treinar classificadores para decodificar
estímulos, estados mentais, comportamentos e outras variáveis de interesse a partir de dados de
ressonância magnética funcional tem crescido nos últimos anos
O método de aprendizado de máquina mais popular nas pesquisas em neuroimagem é o SVM
No experimento de Haxby foram implementadas diferentes variações de SVM (kernels linear,
polinomial e RBF)
Os resultados apontam que é possível obter resultados bons e confiáveis com essas técnicas
Em geral, a aplicação de cross-validation obteve pequena melhora nos resultados
Tornam-se necessárias iniciativas que objetivem a familiarização da comunidade de neuroimagem
com metodologias de aprendizagem de máquina, assim como expôr a comunidade de aprendizado
de máquina para os problemas atuais em neuroimagem
Referências
M. T. d. M. O. J. P. P. C. D. C. S. J. R. de Oliveira, Ailton Andrade; Carthery-Goulart. Defining multivariate normative rules for healthy aging using
neuroimaging and machine learning: An application to alzheimer’s disease, 2015.
M. C. N. V. S. B. C. J. e. a. Detre G., Polyn S. The multivoxel pattern analysis (mvpa) toolbox, in poster presented at the annual meeting of the
organization for human brain mapping, 2012. http://www.csbmb.princeton.edu/mvpa, acessado em dezembro de 2015.
M. Hanke, Y. Halchenko, P. Sederberg, S. Hanson, J. Haxby, and S. Pollmann. Pymvpa: a python toolbox for multivariate pattern analysis of
fmri data. Neuroinformatics, 7(1):37–53, 2009.
S. J. Hanson, T. Matsuka, and J. V. Haxby. Combinatorial codes in ventral temporal lobe for object recognition: Haxby (2001) revisited: is there
a “face” area? NeuroImage, 23(1):156 – 166, 2004.
J. V. Haxby, M. I. Gobbini, M. L. Furey, A. Ishai, J. L. Schouten, and P. Pietrini. Distributed and overlapping representations of faces and objects
in ventral temporal cortex. Science, 293(5539):2425–2430, 2001.
J. R. Sato, R. Basilio, F. F. Paiva, G. J. Garrido, I. E. Bramati, P. Bado, F. Tovar-Moll, R. Zahn, and J. Moll. Real-time fmri pattern decoding and
neurofeedback using friend: An fslintegrated bci toolbox. PLoS ONE, 8(12):e81658, 12 2013.
