Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral

Detalhes bibliográficos
Autor(a) principal: Bezerra, Thiago Gomes de Sousa
Data de Publicação: 2021
Outros Autores: Araújo, Gabriel Santos Silva
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Biblioteca Digital de Monografias da UnB
Texto Completo: https://bdm.unb.br/handle/10483/27823
Resumo: Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021.
id UNB-2_aa2fc9f446c8dcd6f60d9e7783a6d60f
oai_identifier_str oai:bdm.unb.br:10483/27823
network_acronym_str UNB-2
network_name_str Biblioteca Digital de Monografias da UnB
repository_id_str 11571
spelling Bezerra, Thiago Gomes de SousaAraújo, Gabriel Santos SilvaFerreira, Renan UtidaBEZERRA, Thiago Gomes de Sousa, ARAÚJO, Gabriel Santos Silva. Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral. 2021. 83 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021.https://bdm.unb.br/handle/10483/27823Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021.A esquizofrenia é uma doença psiquiátrica crônica de difícil compreensão que perturba e desabilita cerca de 1% da população mundial, o que pode tornar o paciente dependente da ajuda de terceiros para tarefas cotidianas devido aos seus sintomas, caso não ocorra o devido tratamento. Em muitos casos estes sintomas não evidenciam o diagnóstico da doença, o que o torna difícil. Uma alternativa é a análise morfológica do cérebro, através de diferenças perceptíveis nas regiões cerebrais de pacientes portadores de esquizofrenia comparados a indivíduos saudáveis. Neste contexto, busca-se analisar métodos de classificação automática, com arquitetura de redes neurais convolucionais, para distinguir pacientes portadores de esquizofrenia de pacientes saudáveis por meio de imagens de ressonância magnética. Na literatura, existem diversas arquiteturas de redes neurais disponíveis para estudo. Porém, por apresentarem aplicações com imagens de ressonância magnética, além de bons resultados e com a maior disponibilidade de informações para a reprodutibilidade, como as etapas de pré-processamento e parâmetros de treinamento das redes, as redes exploradas foram as arquiteturas FayNet e ResNet, com as imagens disponibilizadas pelo banco de dados virtual SchizConnect. Em uma primeira etapa foi realizado o pré-processamento das imagens com o software Clínica, aplicando-se a técnica de processamento de dados t1-linear, que realiza uma normalização MNI para padronização das imagens para posteriormente utilizar a biblioteca Nilearn e então obter os cortes das imagens. Os cortes 15 e 20 foram selecionados das imagens tridimensionais normalizadas. As redes foram implementadas e validadas por métricas de desempenho e k-fold (com k = 7), obtendo uma acurácia de 80,0% ±2,29% e F2-score de 80,0% ±2,40% , para o modelo FayNet, acurácia de 85,2% ±2,47% e F2-score de 85,4% ±0,03% na arquitetura criada baseado na ResNet18. Com o intuito de buscar melhorias na acurácia de classificação, a FayNet foi modificada, objetivando-se aumentar o desempenho da rede, dando origem assim a Faynet 2.0 que obteve uma acurácia de 88,7% ±4,07% e F2-score de 85,7 ±3,40%.Submitted by Anita Souza (anita.souza@bce.unb.br) on 2021-06-22T14:38:53Z No. of bitstreams: 1 2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf: 2496424 bytes, checksum: 8332c0cba1424743c28f3ee8157ac6a1 (MD5)Approved for entry into archive by Biblioteca Digital de Monografias Gerência (bdm@bce.unb.br) on 2021-06-25T14:36:16Z (GMT) No. of bitstreams: 1 2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf: 2496424 bytes, checksum: 8332c0cba1424743c28f3ee8157ac6a1 (MD5)Made available in DSpace on 2021-06-25T14:36:16Z (GMT). No. of bitstreams: 1 2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf: 2496424 bytes, checksum: 8332c0cba1424743c28f3ee8157ac6a1 (MD5)Schizophrenia is a chronic psychiatric disease that is difficult to understand and that disturbs and disables about 1% of the world population, which can make the patient dependent on the help of others for daily tasks due to their symptoms, if the proper treatment is not followed. . In many cases, these symptoms do not show the diagnosis of the disease, which makes it difficult. An alternative is the morphological analysis of the brain, through noticeable differences in the brain regions of patients with schizophrenia compared to healthy individuals. In this context, we seek to analyze automatic classification methods, with convolutional neural network architecture, to distinguish patients with schizophrenia from healthy patients through magnetic resonance images. In the literature, there are several architectures of neural networks available for study, however, for presenting applications with magnetic resonance images, in addition to good results with greater availability of information for reproducibility, such as the pre-processing steps and training parameters of the networks . The networks explored were the FayNet and ResNet architectures, with the images made available by the virtual database SchizConnect. In a first step, the images were pre-processed with the software Clínica, applying the pipeline t1-linear, which performs an MNI normalization for standardizing the images and later using a Nilearn library and then get the image slices. Cuts 15 and 20 were selected from normalized three-dimensional images. The networks were implemented and validated by performance metrics and k-fold (with k = 7), obtaining an accuracy of 80.0% ±2.29% and F2-score of 80.0% ±2.40% , for the FayNet model, accuracy of 85.2% ±2.47% and F2- score of 85.4% ±0.03% in the architecture created based on ResNet18. In order to improve the accuracy of classification, FayNet was modified, aiming to increase the performance of the network, thus giving rise to Faynet 2.0 which obtained an accuracy of 88.7% ±4.07 % and F2-score of 85.7 ±3.40%.A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.info:eu-repo/semantics/openAccessEsquizofreniaRedes neurais (Computação)AlgoritmosAprendizagemDoenças mentais - diagnósticoDiagnóstico por imagemProcessamento de imagensAnálise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebralinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2021-06-25T14:36:16Z2021-06-25T14:36:16Z2021-05-28porreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/27823/2/license.txt21554873e56ad8ddc69c092699b98f95MD52ORIGINAL2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdfapplication/pdf2496424http://bdm.unb.br/xmlui/bitstream/10483/27823/1/2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf8332c0cba1424743c28f3ee8157ac6a1MD5110483/278232021-06-25 11:36:16.799oai:bdm.unb.br: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Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712021-06-25T14:36:16Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
title Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
spellingShingle Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
Bezerra, Thiago Gomes de Sousa
Esquizofrenia
Redes neurais (Computação)
Algoritmos
Aprendizagem
Doenças mentais - diagnóstico
Diagnóstico por imagem
Processamento de imagens
title_short Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
title_full Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
title_fullStr Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
title_full_unstemmed Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
title_sort Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
author Bezerra, Thiago Gomes de Sousa
author_facet Bezerra, Thiago Gomes de Sousa
Araújo, Gabriel Santos Silva
author_role author
author2 Araújo, Gabriel Santos Silva
author2_role author
dc.contributor.author.fl_str_mv Bezerra, Thiago Gomes de Sousa
Araújo, Gabriel Santos Silva
dc.contributor.advisor1.fl_str_mv Ferreira, Renan Utida
contributor_str_mv Ferreira, Renan Utida
dc.subject.keyword.pt_BR.fl_str_mv Esquizofrenia
Redes neurais (Computação)
Algoritmos
Aprendizagem
Doenças mentais - diagnóstico
Diagnóstico por imagem
Processamento de imagens
topic Esquizofrenia
Redes neurais (Computação)
Algoritmos
Aprendizagem
Doenças mentais - diagnóstico
Diagnóstico por imagem
Processamento de imagens
description Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021.
publishDate 2021
dc.date.submitted.none.fl_str_mv 2021-05-28
dc.date.accessioned.fl_str_mv 2021-06-25T14:36:16Z
dc.date.available.fl_str_mv 2021-06-25T14:36:16Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv BEZERRA, Thiago Gomes de Sousa, ARAÚJO, Gabriel Santos Silva. Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral. 2021. 83 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021.
dc.identifier.uri.fl_str_mv https://bdm.unb.br/handle/10483/27823
identifier_str_mv BEZERRA, Thiago Gomes de Sousa, ARAÚJO, Gabriel Santos Silva. Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral. 2021. 83 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021.
url https://bdm.unb.br/handle/10483/27823
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Monografias da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Biblioteca Digital de Monografias da UnB
collection Biblioteca Digital de Monografias da UnB
bitstream.url.fl_str_mv http://bdm.unb.br/xmlui/bitstream/10483/27823/2/license.txt
http://bdm.unb.br/xmlui/bitstream/10483/27823/1/2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf
bitstream.checksum.fl_str_mv 21554873e56ad8ddc69c092699b98f95
8332c0cba1424743c28f3ee8157ac6a1
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv bdm@bce.unb.br||patricia@bce.unb.br
_version_ 1813908047309832192

Registros relacionados