El proyecto CENIT MIND, trata el abordaje multidisciplinar de la enfermedad de Alzheimer (Alzheimer Disease, AD). Dentro de este marco de referencia, Bilbomatica junto con el Grupo de Tratamiento Digital de Imágenes (GTDI) de la Universidad de Sevilla está actualmente desarrollando un prototipo de herramienta de diagnóstico asistido por computador (Computer Aided Diagnosis, CAD) que, a partir de imágenes de resonancia magnética (Magnetic Resonance Imaging, MRI) cerebrales, determina si el paciente padece o no AD y, en caso afirmativo, estima en qué fase de desarrollo se encuentra.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
La AD es una enfermedad neurodegenerativa que se manifiesta como deterioro cognitivo y trastornos conductuales. A medida que las células nerviosas (neuronas) mueren, se produce un fenómeno de atrofia en distintas zonas del cerebro, lo que se traduce en una pérdida progresiva de la memoria, orientación, juicio, lenguaje, personalidad y conducta. Se estima que 35,6 millones de personas en todo el mundo padecerán demencia en 2010. Se calcula que esta cifra casi se duplique cada 20 años, hasta los 65,7 millones en 2030, y los 115,4 millones en 2050 [1].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.
Por otra parte, dado el alto índice de variabilidad morfológica cerebral inter-sujeto, para que estas comparaciones resulten de utilidad deberán ser realizadas dentro de un espacio normalizado en el que se eliminen las diferencias morfológicas propias de cada paciente preservando la información sobre la integridad estructural cerebral en cada paciente. Para realizar esta normalización espacial, cada MRI deberá sufrir una deformación controlada para adaptar su morfología a la de una plantilla normalizada o atlas, obteniéndose así las MRI normalizadas. El proceso se ilustra en la Figura 2.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)”
