Estado da Arte da Áreade Aprendizado de Máquina

em NeuroimagemCI171 - Aprendizado de Máquinas

Rodrigo Gama BaptistaPatrik Luiz Gogola

Universidade Federal do Paraná

Setor de Ciências Exatas

Departamento de Informática

Professor: David Menotti

AgendaIntrodução

Desenvolvimento

O experimento de Haxby

Metodologia

Abordagem utilizada

Resultados

Conclusão

AgendaIntrodução

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

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

● 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.

O trabalho pretende investigar as implicações que decorrem da aplicação de métodos de aprendizado de máquina para o estudo da função cerebral.

AgendaIntrodução

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 1Instituto 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 1Combinação 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 2Universidade 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 2Abordagem: 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 3Machine 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 3Abordagem: 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

AgendaIntrodução

Desenvolvimento

O experimento de Haxby

Metodologia

Abordagem utilizada

Resultados

Conclusão

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

Alguns conceitos...

O experimento de HaxbyObservar 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

AgendaIntrodução

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

AgendaIntrodução

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

AgendaIntrodução

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

AgendaIntrodução

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

ReferênciasM. 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.