Na última década diferentes modalidades e técnicas quantitativas de neuroimagens aplicadas ao estudo de doenças neuro-degenerativas vêm fornecendo um volume cada vez maior de dados, tornando sua utilização uma tarefa complexa. Paralelamente, técnicas computacionais de reconhecimento de padrões vêm sendo desenvolvidas para apoiar a tomada de decisão humana. O propósito geral do presente estudo é aplicar técnicas de reconhecimento de padrões em dados quantitativos de neuroimagens adquiridas por ressonância magnética (RM) em pacientes com Esclerose Múltipla (EM). Especificamente foram avaliados dados retrospectivos de um grupo de 203 sujeitos controle sem doenças neurológicas e um grupo de 144 pacientes portadores de Esclerose Múltipla. Os dados usados foram provenientes da combinação de ferramentas computacionais de processamento de imagens e neuroimagens adquiridas em um aparelho de RM de 3 Tesla usando diferentes técnicas quantitativas: Difusão, Relaxometria, Taxa de Transferência de Magnetização (MTR) e Volumetria. Os dados das diferentes técnicas quantitativas em 126 regiões cerebrais não excludentes foram processados no programa de mineração de dados WEKA. Os algoritmos: k-nearest-neighbor (KNN) com diferentes números de vizinhos e Support vector machine (SVM) foram utilizados para a classificação e agrupamento desses dados. As regiões com maior contribuição na separação de ambos os grupos foram encontradas na substância branca (SB) nas seguintes estruturas: corpo caloso, precúneo, cerebelo e fusiforme esquerdos. Outro atributo significante foi o de hipo-intensidades que pode ser associado à presença de lesões, também na substância branca. Dentre as técnicas, a mais relevante foi a MTR com 92,9% de valor médio de área sob a curva ROC (Receiver Operating Characteristic), considerando os diferentes algoritmos de classificação e métodos de seleção de atributos, porém uma análise global incluindo os dados de todas as técnicas elevou esta área para 96,2%. O algoritmo KNN com 5 vizinhos foi considerado o melhor classificador geral para o conjunto de dados e tarefas aqui explorados resultando em 91,7% de valor médio de área sob a curva ROC, seguido por KNN3 com 90,8%, KNN1 com 87,1% e SVM com 85,8%. Uma classificação restrita, com áreas reconhecidamente afetadas pela EM e com KNN5 trouxe resultados de classificação 2,1% de valor médio de área sob a curva ROC inferiores à classificação principal sem restrições. O uso de técnicas de reconhecimento de padrões a partir dos dados de técnicas quantitativas de neuroimagem aplicadas à amostra estudada, demonstrou que a substância branca do cérebro é a mais afetada pela EM seguindo um padrão global com maior envolvimento no hemisfério esquerdo. A estratégia sugerida neste problema de classificação seria o uso dos dados de todas as técnicas quantitativas aqui discutidas provenientes das regiões envolvidas na classificação restrita conjuntamente com o precuneus e o fusiform, aplicando o KNN5 com seleção de melhores atributos.

In the last decade different modalities and quantitative neuroimaging techniques applied to the study of neurodegenerative diseases have been providing an increasing volume of data, making use of such a complex task. At the same time, computational techniques of pattern recognition have been developed to favor the human performance. The purpose of this study is to apply techniques of pattern recognition in quantitative data of neuroimaging acquired by magnetic resonance (MR) in patients of multiple sclerosis (MS). There were evaluated retrospective data from a control group of 203 people without neurological diseases and a group of 144 patients with MS. The data used were from the combination of computational tools of image processing and neuroimaging acquired in an MR apparatus of 3 Tesla using different quantitative techniques: diffusion, relaxometry, magnetization transfer rate (MTR) and volumetry. The data of the different quantitative techniques in 126 regions of the brain not mutually excludent were processed in the software WEKA of data mining. The algorithms: k-nearest-neighbor (KNN) with different numbers of neighbors and support vector machine (SVM) were used for the classification and grouping of the data. The regions with the highest contribution to the separation of both groups were found in the white matter of the following structures: corpus callosum, precuneus, cerebellum and left spindle. Another significant attribute was the hypo-intensities that can be associated to the presence of lesions in the white matter also. The most relevant technique was the MTR with 92.9% of average area under ROC, considering the different algorithms of classification and methods of feature selection, however a global analysis including data from all techniques increased this area under ROC to 96.2%. The KNN algorithm for k = 5 is considered the best overall classifier for the dataset resulting in 91.7% average area under ROC, followed by KNN for k = 3 with 90.8%, KNN for k = 1 with 87.1%, and SVM with 85.8%. A restricted classification with known affected areas by MS and KNN for k = 5 brought results of classification of average area under ROC of 2.1% inferior to the main classification without restrictions. The use of techniques of pattern recognition from the data of quantitative techniques of neuroimaging showed that the white matter of the brain is the most affected by MS following a global pattern with higher involvement in the left hemisphere. The strategy suggested in this classification issue would be the use of data from all quantitative techniques discussed from the regions involved in restricted classification jointly with precuneus and fusiform, applying KNN for k = 5 with selection of best features.