Please use this identifier to cite or link to this item: http://hdl.handle.net/10316/92217
Title: Age Estimation of the Central Nervous System from Retinal Images
Other Titles: Estimação da idade do sistema nervoso central a partir de imagens da retina
Authors: Prioste, Érica Maria Vicente
Orientador: Nunes, Ana
Bernardes, Rui Manuel Dias Cortesão dos Santos
Keywords: Tomografia de Coerência Ótica; Envelhecimento; Retina; Sistema Nervoso Central; Redes Neuronais; Optical Coherence Tomography; Ageing; Retina; Central Nervous System; Neural Networks
Issue Date: 13-Nov-2020
Serial title, monograph or event: Age Estimation of the Central Nervous System from Retinal Images
Place of publication or event: FMUC
Abstract: Este projeto teve como objetivo a obtenção do valor da idade estimada do Sistema Nervoso Central (SNC), tão próximo quanto possível à verdadeira idade cronológica, em indivíduos saudáveis, através da utilização de parâmetros de textura obtidos a partir de dados de tomografia de coerência ótica (OCT). Scans volumétricos de OCT obtidos de 100 indivíduos foram utilizados para obter imagens de fundo ("mean value fundus images") das seis camadas da neuroretina, a partir das quais foram determinados os respetivos parâmetros de textura (locais e globais). A partir destes dados, utilizaram-se redes neuronais para estimar a idade do SNC, tendo para tal sido identificada a arquitetura mais favorável e os parâmetros mais discriminativos de cada camada da neuroretina. Dependendo das camadas da neuroretina utlizada, diferentes redes neuronais e diferentes parâmetros foram considerados melhores. A camada de células ganglionares e a camada nuclear externa foram identificadas como as camadas da retina mais discriminativas e a informação destas camadas foi concatenada num único vetor. Foram encontradas discrepâncias entre os olhos direito e esquerdo na idade estimada. Para cada indivíduo, a média da idade estimada dos dois olhos foi calculada e, a raiz quadrada do erro quadrático médio para os grupos feminino e masculino foi a obtida. Em conclusão, os resultados sugerem que os parâmetros de textura obtidos contêm informação sobre a idade do SNC. Estas conclusões representam uma descoberta que poderá simplificar a estimação da idade do SNC, uma vez que os métodos de imagiologia utilizados não consomem tanto tempo como o MRI ou outros métodos. No entanto, ainda existe um longo percurso na análise de dados e desenho de redes neuronais, o que não foi possível devido às restrições impostas nas experiências realizadas pelo tamanho do conjunto de dados e pela pandemia de COVID-19.
This project aimed to predict the age value for the Central Nervous System (CNS), as close as possible to the true chronological age, for healthy individuals, based on texture features computed from optical coherence tomography (OCT) data. OCT volumetric scans from 100 subjects were used to compute mean value fundus images from the six layers of the neuroretina. Texture features (local and global) were then extracted from these images. Neural Networks were applied to estimate the CNS's age, after identifying the best neural network architecture, and the most discriminative features for each retinal layer. Depending on the neuroretinal layer, the neural network architecture and the best retinal features were different. The ganglion cell layer and the outer nuclear layer were found to be the most discriminative retinal layers, and their information was concatenated into one single vector. Discrepancies between the right and left eyes were discovered for both male and female groups. For each subject, the mean of both eye's predicted age was computed, and a root mean square error (in the training set) was obtained for the female and male groups. In conclusion, the results suggest that the computed texture features contain information on the CNS's age. These findings represent an encouraging discovery that might simplify the estimation age of the CNS since the imaging method used is not as time-consuming as MRI or other methods. Further work is required for a more in-depth exploration, as factors such as the dataset size and the COVID-19 pandemic imposed restrictions on the experiments performed.
Description: Trabalho de Projeto do Mestrado Integrado em Engenharia Biomédica apresentado à Faculdade de Ciências e Tecnologia
URI: http://hdl.handle.net/10316/92217
Rights: openAccess
Appears in Collections:UC - Dissertações de Mestrado

Files in This Item:
File Description SizeFormat
Thesis_EricaPrioste_vfinal.pdf2.83 MBAdobe PDFView/Open
Show full item record

Page view(s)

13
checked on Jan 14, 2021

Download(s)

23
checked on Jan 14, 2021

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons