Análise de componentes esparsos locais com aplicações em ressonância magnética funcional

• Ano de defesa: 2015
• Autor(a) principal: Gilson Vieira
• Orientador(a): Luiz Antonio Baccala
• Banca de defesa: Claudinei Eduardo Biazoli Junior, Ellison Fernando Cardoso, André Fujita, José Roberto Castilho Piqueira
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade de São Paulo
• Programa de Pós-Graduação: Bioinformática
• País: BR
• Link de acesso: https://doi.org/10.11606/T.95.2016.tde-10122015-094936

Esta tese apresenta um novo método para analisar dados de ressonância magnética funcional (FMRI) durante o estado de repouso denominado Análise de Componentes Esparsos Locais (LSCA). A LSCA é uma especialização da Análise de Componentes Esparsos (SCA) que leva em consideração a informação espacial dos dados para reconstruir a informação temporal de fontes bem localizadas, ou seja, fontes que representam a atividade de regiões corticais conectadas. Este estudo contém dados de simulação e dados reais. Os dados simulados foram preparados para avaliar a LSCA em diferentes cenários. Em um primeiro cenário, a LSCA é comparada com a Análise de Componentes Principais (PCA) em relação a capacidade de detectar fontes locais sob ruído branco e gaussiano. Em seguida, a LSCA é comparada com o algoritmo de Maximização da Expectativa (EM) no quesito detecção de fontes dinâmicas locais. Os dados reais foram coletados para fins comparativos e ilustrativos. Imagens de FMRI de onze voluntários sadios foram adquiridas utilizando um equipamento de ressonância magnética de 3T durante um protocolo de estado de repouso. As imagens foram pré-processadas e analisadas por dois métodos: a LSCA e a Análise de Componentes Independentes (ICA). Os componentes identificados pela LSCA foram comparados com componentes comumente reportados na literatura utilizando a ICA. Além da comparação direta com a ICA, a LSCA foi aplicada com o propósito único de caracterizar a dinâmica das redes de estado de repouso. Resultados simulados mostram que a LSCA é apropriada para identificar fontes esparsas locais. Em dados de FMRI no estado de repouso, a LSCA é capaz de identificar as mesmas fontes que são identificadas pela ICA, permitindo uma análise mais detalhada das relações entre regiões dentro de e entre componentes e sugerindo que muitos componentes identificados pela ICA em FMRI durante o estado de repouso representam um conjunto de componentes esparsos locais. Utilizando a LSCA, grande parte das fontes identificadas pela ICA podem ser decompostas em um conjunto de fontes esparsas locais que não são necessariamente independentes entre si. Além disso, as fontes identificadas pela LSCA aproximam muito melhor o sinal temporal observado nas regiões representadas por seus componentes do que as fontes identificadas pela ICA. Finalmente, uma análise mais elaborada utilizando a LSCA permite estimar também relações dinâmicas entre os componentes previamente identificados. Assim, a LSCA permite identificar relações clássicas bem como relações causais entre componentes do estado de repouso. As principais implicações desse resultado são que diferentes premissas permitem decomposições aproximadamente equivalentes, entretanto, critérios menos restritivos tais como esparsidade e localização permitem construir modelos mais compactos e biologicamente mais plausíveis.