[ANGLÈS] Alzheimer's Disease (AD) is the most common form of dementia and a growing health and socioeconomic problem. Moreover, the impact of the disease is expected to increase even more as the life expectancy is going to grow over the years. Consequently, a lot of research is focused on computer-aided diagnosis techniques that aim at quantitatively study Magnetic Resonance brain images of early stage patients. Early diagnosis could help in better future cure or disease- modifying treatments. An example of AD early stage is Mild Cognitive Impariment (MCI), as the 50% of the individuals who suffer from this pathology develop AD in three of four years. In this work, we use Support Vector Machines to classify subjects from AD, MCI and healthy control (CTL) groups. Our main objective is to study whether combining different anatomical scale brain regions and different image modalities could improve the classification accuracy. Thus, regional and global Grey Matter (GM) volumes (multiscale approach), Withe Matter (WM) regional volumes, Regional Asymmetry coefficients and T1- quantitative MRI data (multivariate) are combined. Our accuracies when comparing CTL vs AD and CTL vs MCI with large public databases (ADNI) are comparable to the results in the literature: 88.3% and 81.8% respectively. In this master thesis we study also smaller databases of MCI patients from Lausanne University Hospital. We pay special attention to the study of pre-processing steps: Intra Craneal Volume normalization and age correction. Our results show that for our small group of patients, better accuracies can be obtained when combining different types of features (multiscale and multivariate) than when only using classical GM region volumes. Moreover, the new region-based age-correction method proposed here presents encouraging results when applied prior to both CTL vsMCI and CTL vs AD classification.

[CASTELLÀ] La Enfermedad de Alzheimer (EA) es la forma más común de demencia y se ha convertido en un problema socioeconómico creciente. Además, se prevé que el impacto de la enfermedad será aún mayor dentro de unos años debido al progresivo envejecimiento de la población mundial y al crecimiento de la esperanza de vida. Es por estas razones que en los últimos años se ha centrado la atención en técnicas computarizadas para la diagnosis que están dirigidas al estudio cuantitativo de imágenes de resonancia magnética (MRI) de cerebro de pacientes que se encuentran en una etapa temprana de la enfermedad. Un diagnóstico precoz podría mejorar la efectividad de los futuros tratamientos de curación o modificación del curso natural de la enfermedad. Un ejemplo de etapa temprana de EA es el Deterioro Cognitivo Ligero (Mild Cognitive Impariment o MCI), puesto que el 50% de los pacientes que padecen esta patología desarrollan EA en tres o cuatro años. En este estudio, usamos Support Vector Machines para clasificar sujetos de tres grupos diferentes: EA, MCI y sujetos sanos de control (CTL). Nuestro objetivo es estudiar si combinando información a diversas escalas anatómicas del cerebro y diferentes modalidades de imágenes se puede mejorar la precisión de la clasificación. De este modo, se han utilizado volúmenes regionales y globales (multiscale) de Materia Gris (GM), volúmenes regionales de Materia Blanca (WM), Coeficientes de asimetría e información de MRI T1 cuantitativa (multivariate). Nuestras precisiones cuando comparamos CTL vs EA y CTL vs MCI usando bases de datos públicas (ADNI) son comparables a los resultados de la literatura: 88.3% y 81.8% respectivamente. En este proyecto también estudiamos una base de datos más pequeña de pacientes con MCI del Lausanne University Hospital. Prestamos especial atención al estudio de los pasos de pre-procesado: normalización por Volumen InterCraneal y corrección de edad. Los resultados obtenidos muestran que, para nuestro grupo reducido de pacientes, se obtienen precisiones mejores cuando se combinan diferentes tipos de datos (multiscale y multivariate) que cuando solamente se usan los clásicos volúmenes regionales de GM. Además, el nuevo método propuesto de corrección de edad basado en regiones presenta resultados esperanzadores cuando se aplica previo a ambas clasificaciones CTL vsMCI y CTL vs EA.

[CATALÀ] La Malaltia d'Alzheimer (MA) és la forma més comuna de demència i ha esdevingut un problema socioeconòmic creixent. A més, es preveu que l'impacte de la malaltia serà encara més gran d'aquí a uns anys a causa del progressiu envelliment de la població mundial i al creixement de l'esperança de vida. És per aquestes raons que en els últims anys s'ha centrat l'atenció en tècniques computaritzades per la diagnosi que estan dirigides a l'estudi quantitatiu d'imatges de ressonància magnètica (MRI) del cervell de pacients que es troben en una etapa primerenca de la malaltia. Un diagnòstic precoç podria millorar l'efectivitat dels futurs tractaments de curació o modificació del curs natural de la malaltia. Un exemple d'etapa primerenca de MA és el Deteriorament Cognitiu Lleuger (Mild Cognitive Impariment o MCI), ja que el 50 % dels pacients que pateixen aquesta patologia desenvolupen MA en tres o quatre anys. En aquest estudi, fem servir Support Vector Machines per classificar subjectes de tres grups diferents: MA, MCI i subjectes sans de control (CTL). El nostre objectiu és estudiar si combinant informació a diverses escales anatòmiques del cervell i diferents modalitats d'imatge es pot millorar la precisió de la classificació. D'aquesta manera, s'han utilitzat volums regionals i globals (multiscale) de Matèria Gris (GM), volums regionals de Matèria Blanca (WM), Coeficients d'asimetria i informació de MRI T1 quantitativa (Multivariate). Les nostres precisions quan comparem CTL vs MA i CTL vs MCI amb bases de dades públiques (ADNI) són comparables als resultats de la literatura: 88.3 % i 81.8 % respectivament. En aquest projecte també estudiem una base de dades més petita de pacients amb MCI del Lausanne University Hospital. Prestem especial atenció a l'estudi dels passos de preprocessament: normalització per Volum intercranial i correcció d'edat. Els resultats obtinguts mostren que, pel nostre grup reduït de pacients, s'obtenen millors precisions quan es combinen diferents tipus de dades (multiscale iMultivariate) que quan només s'usen els clàssics volums regionals de GM. A més, el nou mètode proposat de correcció d'edat basat en regions presenta resultats esperançadors quan s'aplica previ a la classificació CTL vsMCI i CTL vs MA.