Comprehensive study of cortical thickness and thinning in the lifespan combining MRI, laminar architecture, and machine learning (2023)
- Authors:
- Autor USP: MARÇAL, TAMIRES CORRÊA - FMRP
- Unidade: FMRP
- DOI: 10.11606/D.17.2023.tde-11042024-091750
- Subjects: RESSONÂNCIA MAGNÉTICA; ENVELHECIMENTO; DOENÇAS DO SISTEMA NERVOSO CENTRAL; APRENDIZADO COMPUTACIONAL
- Keywords: Aprendizado de máquina; Citoarquitetura; Cortical thinning; Cytoarchitecture; Envelhecimento saudável; Espessamento cortical; Healthy aging; Machine learning; Magnetic resonance imaging (MRI); Neuroplasticidade; Neuroplasticity; Poda neural; Pruning; Ressonância magnética
- Agências de fomento:
- Language: Inglês
- Abstract: O afinamento cortical está associado à poda neural, neuroplasticidade e declínio cognitivo ao longo das diferentes fases da vida. Embora a idade seja um fator crucial na previsão do afinamento, ela não explica toda a sua variabilidade. O intuito deste estudo é avançar a compreensão desse processo, utilizando dados de Ressonância Magnética, dados multivariados e técnicas de Aprendizado de Máquina. Nosso objetivo é prever a espessura e o afinamento cortical por meio da análise de um conjunto diversificado de variáveis temporais e espaciais, incluindo idade, tipo cortical, lóbulos, estruturas cerebrais, curvatura e informações citoarquitetônicas. Para isso, utilizamos imagens de Ressonância Magnética anatômica de 871 participantes sem histórico de doenças neurológicas para estimar as trajetórias de afinamento cortical ao longo da vida. Também utilizamos perfis citoarquitetônicos estimados com base nos dados do BigBrain. Para avaliar o método ideal de modelagem da espessura cortical, desenvolvemos modelos baseados em nível de vértice e nível de estrutura cerebral. Descobrimos que o modelo de estruturas cerebrais superou a abordagem de nível de vértice na previsão da espessura, sendo capaz de explicar 87% de sua variabilidade. Para prever o afinamento, começamos calculando o afinamento cortical anual humano e, em seguida, utilizamos um algoritmo de boosting para prever o afinamento usando três modelos diferentes. Modelo temporal (idade como única variável) atingiu um r-quadrado de 0.79, modelo espacial (todas as variáveis, exceto idade) teve uma pontuação de 0.58, e modelo temporal-espacial atingiu 0.84. A idade foi a característica que mais contribuiu para o afinamento cortical, seguida pela espessura da camada I, espessura cortical aos 10 anos e espessura da camada IV. Nossa análise sugere que as regiões que experimentam mais afinamento durante o desenvolvimento tendem a sofrer menos afinamento durante oenvelhecimento, e essa correlação está ligada à espessura da camada I
- Imprenta:
- Publisher place: Ribeirão Preto
- Date published: 2023
- Data da defesa: 13.12.2023
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
MARÇAL, Tamires Corrêa. Comprehensive study of cortical thickness and thinning in the lifespan combining MRI, laminar architecture, and machine learning. 2023. Dissertação (Mestrado) – Universidade de São Paulo, Ribeirão Preto, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/17/17163/tde-11042024-091750/. Acesso em: 25 jan. 2026. -
APA
Marçal, T. C. (2023). Comprehensive study of cortical thickness and thinning in the lifespan combining MRI, laminar architecture, and machine learning (Dissertação (Mestrado). Universidade de São Paulo, Ribeirão Preto. Recuperado de https://www.teses.usp.br/teses/disponiveis/17/17163/tde-11042024-091750/ -
NLM
Marçal TC. Comprehensive study of cortical thickness and thinning in the lifespan combining MRI, laminar architecture, and machine learning [Internet]. 2023 ;[citado 2026 jan. 25 ] Available from: https://www.teses.usp.br/teses/disponiveis/17/17163/tde-11042024-091750/ -
Vancouver
Marçal TC. Comprehensive study of cortical thickness and thinning in the lifespan combining MRI, laminar architecture, and machine learning [Internet]. 2023 ;[citado 2026 jan. 25 ] Available from: https://www.teses.usp.br/teses/disponiveis/17/17163/tde-11042024-091750/
Informações sobre o DOI: 10.11606/D.17.2023.tde-11042024-091750 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
