Predição de Comprometimento Cognitivo Leve Estável e Progressivo com Graph Kernels e Atributos de Imagens de Ressonância Magnética

• Processo: 25/02513-2
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Ricardo José Ferrari
• Beneficiário: Davi Cerchiari Alves
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Comprometimento cognitivo leve Doença de Alzheimer Ressonância magnética Processamento de imagens
• Palavra(s)-Chave do Pesquisador: Atributos de Textura | Campos de Vetores de Deslocamentos | Comprometimento cognitivo leve | Doença de Alzheimer | Graph Kernels | Ressonância Magnética | Processamento de Imagens Médicas

Resumo

A Doença de Alzheimer (DA) é uma das principais causas de demência em idosos, sendo marcada por um declínio cognitivo progressivo. Indivíduos com Comprometimento Cognitivo Leve (CCL) podem seguir dois desfechos distintos: permanecer estáveis (CCLe) ou evoluir para DA (CCLp). A predição precoce dessa progressão é fundamental para intervenções terapêuticas mais eficazes, possibilitando retardar a evolução da doença e melhorar a qualidade de vida dos pacientes. Este estudo propõe o uso da técnica de Graph Kernels para modelar a conectividade cerebral e classificar indivíduos com CCLe e CCLp a partir de imagens de ressonância magnética estrutural (RM 3D). Para isso, as imagens serão segmentadas utilizando o atlas DKT, permitindo a extração de regiões anatômicas específicas do cérebro, que serão representadas como vértices em um grafo. As conexões entre esses vértices (arestas) serão definidas com base em diferentes métricas de distância entre atributos extraídos, incluindo textura, volumes das substâncias branca e cinzenta, liquor, além de estatísticas de campos de vetores de deslocamento. O estudo envolverá a implementação e otimização de modelos baseados em Graph Kernels, explorando diferentes critérios para a definição das arestas e a seleção de atributos relevantes para os vértices. A avaliação dos modelos será realizada por meio de métricas quantitativas amplamente utilizadas na literatura, permitindo determinar sua eficácia na predição da progressão do CCL. Espera-se que essa abordagem baseada em grafos proporcione uma análise mais detalhada das alterações cerebrais associadas à DA, contribuindo para o avanço das técnicas computacionais em neuroimagem e auxiliando no diagnóstico precoce da doença.