
La finalidad de esta técnica es facilitar el diagnóstico de esta enfermedad en su fase temprana (Mild Cognitive Impairment, MCI) lo que permitiría la administración de un tratamiento antes de que la calidad de vida del paciente se vea comprometida

El diagnóstico de la AD a través de MRI se realiza mediante la observación de la integridad estructural de las zonas cerebrales que típicamente se ven implicadas durante el desarrollo de la enfermedad, como son el hipocampo (Figura 1), la corteza endorrinal y el lóbulo temporal, entre otras [2].
El neurólogo experimentado es capaz de determinar el nivel de atrofia en estas zonas tras un tiempo de adiestramiento en el que aprende a distinguir las diferencias estructurales entre las MRI cerebrales correspondientes a sujetos con un envejecimiento normal y las correspondientes a enfermos de AD. Por lo tanto, para trasladar este concepto a un entorno CAD, la herramienta debe ser capaz de realizar comparaciones morfológicas en dichas zonas del cerebro que determinen el nivel de atrofia existente a fin de realizar una evaluación diagnóstica del paciente.

La herramienta CAD que está siendo desarrollada por el GTDI hace uso de técnicas de morfometría basada en vóxel (VBM) integradas en el entorno SPM [3] para resolver el problema de la normalización espacial. Posteriormente realiza una segmentación en 3D de la región cerebral que se quiere evaluar mediante una técnica de level-sets [4] y, una vez segmentada cada región, calcula su volumen, su intensidad media y la desviación típica de la intensidad. Por último, el paciente es clasificado como envejecimiento normal, MCI o AD según las características de volumen e intensidad de las regiones cerebrales segmentadas con ayuda de una red neuronal artificial del tipo Fuzzy ARTMAP [5] previamente entrenada.
Aunque todavía se encuentra en fase experimental, los primeros resultados obtenidos por el GTDI son alentadores: la herramienta CAD consigue diagnosticar correctamente a más del 72% de los pacientes.
[1] Alzheimer's Disease International, Informe Mundial sobre el Alzheimer 2009, Resumen Ejecutivo. http://www.ceafa.es/files/pdfs/4ab8fa616f.pdf
[2] Paul M. Thompson, Kiralee M. Hayashi, Greig I. de Zubicaray, Andrew L. Janke, Stephen E. Rose, James Semple, Michael S. Hong, David H. Herman, David Gravano, David M. Doddrell, Arthur W. Toga, Mapping hippocampal and ventricular change in Alzheimer disease, NeuroImage, Volume 22, Issue 4, August 2004, Pages 1754-1766, ISSN 1053-8119, DOI: 10.1016/j.neuroimage.2004.03.040.
[3] K.J. Friston, J. Ashburner, S.J. Kiebel, T.E. Nichols, and W.D. Penny, editors. Statistical Parametric Mapping: The Analysis of Functional Brain Images. Academic Press, 2007.
[4] P. A. Yushkevich, J. Piven, H Cody, S. Ho, J.C. Gee and G. Gerig, User-Guided Level Set Segmentation of Anatomical Structures with ITK-SNAP, Insight Journal, Special Issue on ISC/NA-MIC/MICCAI Workshop on Open-Source Software, Nov 2005.
[5] Carpenter, G.A.; Grossberg, S.; Markuzon, N.; Reynolds, J.H.; Rosen, D.B.; , "Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps," Neural Networks, IEEE Transactions on , vol.3, no.5, pp.698-713, Sep 1992. doi: 10.1109/72.159059
(*) “Este trabajo se ha desarrollado en el marco del proyecto MIND, con número de referencia CENIT-20081013, cofinanciado por el Centro para el Desarrollo Tecnológico Industrial. El/Los Autor/es quiere/n agradecer el conocimiento y las contribuciones de los miembros del consorcio MIND (https://www.portalmind.es)”