Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images

Detalhes bibliográficos
Autor(a) principal: Avelar Filho, Jeronimo da Silva
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UnB
Texto Completo: https://repositorio.unb.br/handle/10482/45319
Resumo: Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade UnB Gama, Programa de pós-graduação em Engenharia Biomédica, 2022.
id UNB_5b6b1b3b8eaccc238c610437117e667a
oai_identifier_str oai:repositorio.unb.br:10482/45319
network_acronym_str UNB
network_name_str Repositório Institucional da UnB
repository_id_str
spelling Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance imagesDetecção de Esquizofrenia com base em análise estrutural do cérebro usando aprendizagem de máquina aplicada a combinações de cortes em imagens volumétricas de ressonância magnéticaEsquizofreniaDeep LearningAprendizado de máquinaNeurociênciasRessonância magnéticaEntropiaDissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade UnB Gama, Programa de pós-graduação em Engenharia Biomédica, 2022.A Esquizofrenia é uma doença mental com muitas manifestações clínicas, que transformam o diagnóstico em um grande desafio. Até que um diagnóstico seja finalizado, o paciente passa por muitos episódios de sofrimento mental que podem redundar em conflitos sociais, acidentes involuntários e até suicídios. Apesar da complexidade clínica, um diagnóstico nos estágios iniciais da doença é de grande relevância. Vários estudos recentes, com foco na análise das modificações estruturais do cérebro, encontraram correlações com a esquizofrenia, e sugerem que a esquizofrenia pode ser diferenciada do caso controle com base em imagens anatômicas de ressonância magnética. Pesquisas anteriores aplicando aprendizagem de máquina a estas imagens de ressonância magnética apresentaram resultados promissores. Apesar dos resultados, o escopo destas pesquisas estava limitado a um ou poucos cortes do cérebro e também não utiliza os mais recentes algoritmos de aprendizagem de máquina nos seus classificadores. Em consequência, o uso de poucas fatias ou algoritmos mais simples pode levar a perda de informação devido à extração de características em nível abaixo do desejado. No presente estudo, criamos modelos de aprendizagem de máquina baseados em Redes Neurais Convolucionais (Convolutional Neural Networks - CNN), e avaliamos os parâmetros para treinamento. Para tanto, utilizamos um conjunto de dados para treinamento, correspondente a imagens de Ressonância Magnética, com imagens de um grupo de controle (com pessoas sem diagnóstico de distúrbio mental) e um grupo experimental (com portadores de esquizofrenia). Avaliamos também critérios para a seleção dos cortes a serem utilizados para compor o conjunto de dados (dataset) e as diversas combinações que podem levar a um melhor desempenho do classificador. Obtivemos as imagens dos cortes pela extração uma a uma da estrutura 3D correspondente a um volume do crânio humano, em cada imagem. Os cortes são numerados usando os índices do eixo axial do volume mapeado. Experimentamos selecionar as fatias utilizando métricas como covariância e entropia, e os melhores resultados foram obtidos quando utilizamos o conceito de entropia para avaliar as imagens dos cortes. Os cortes foram ordenados pelo critério de maior entropia. Com esse critério, fizemos a avaliação individual dos cortes pelo modelo de aprendizagem de máquina e a seleção dos conjuntos de cortes. Nossa abordagem foi criar um dataset com adição incremental dos cortes ordenados pela entropia e usá-lo como conjunto de treinamento do modelo de aprendizado de máquina. Primeiramente, foi treinado o modelo com apenas uma fatia. No próximo, passo foi treinado com duas fatias para compor o conjunto de dados e assim por diante, até criarmos um dataset com todas as imagens extraídas do volume representado. Cada dataset criado foi submetido ao treinamento no modelo de aprendizado de máquina e foram obtidas as métricas de desempenho do sistema. Nossos resultados sugerem que é possível obter do classificador acurácia próximo de 80% quando treinado com um conjunto de cortes previamente selecionado. Neste trabalho, também exploramos o uso de Inteligência Artificial Explicável (Explainable Artificial Intelligence - XAI), para compreender o resultado da classificação do modelo.Faculdade UnB Gama (FGA)Programa de Pós-Graduação em Engenharia BiomédicaMendes, Cristiano Jacques Miosso Rodriguesjeroavf@gmail.comAvelar Filho, Jeronimo da Silva2022-12-16T21:43:29Z2022-12-16T21:43:29Z2022-12-162022-08-09info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfAVELAR FILHO, Jeronimo da Silva. Detection of Schizophrenia based on brain structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images. 2022. xvi, 89 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2022.https://repositorio.unb.br/handle/10482/45319A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UnBinstname:Universidade de Brasília (UnB)instacron:UNB2024-08-17T20:33:42Zoai:repositorio.unb.br:10482/45319Repositório InstitucionalPUBhttps://repositorio.unb.br/oai/requestrepositorio@unb.bropendoar:2024-08-17T20:33:42Repositório Institucional da UnB - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
Detecção de Esquizofrenia com base em análise estrutural do cérebro usando aprendizagem de máquina aplicada a combinações de cortes em imagens volumétricas de ressonância magnética
title Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
spellingShingle Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
Avelar Filho, Jeronimo da Silva
Esquizofrenia
Deep Learning
Aprendizado de máquina
Neurociências
Ressonância magnética
Entropia
title_short Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
title_full Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
title_fullStr Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
title_full_unstemmed Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
title_sort Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
author Avelar Filho, Jeronimo da Silva
author_facet Avelar Filho, Jeronimo da Silva
author_role author
dc.contributor.none.fl_str_mv Mendes, Cristiano Jacques Miosso Rodrigues
jeroavf@gmail.com
dc.contributor.author.fl_str_mv Avelar Filho, Jeronimo da Silva
dc.subject.por.fl_str_mv Esquizofrenia
Deep Learning
Aprendizado de máquina
Neurociências
Ressonância magnética
Entropia
topic Esquizofrenia
Deep Learning
Aprendizado de máquina
Neurociências
Ressonância magnética
Entropia
description Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade UnB Gama, Programa de pós-graduação em Engenharia Biomédica, 2022.
publishDate 2022
dc.date.none.fl_str_mv 2022-12-16T21:43:29Z
2022-12-16T21:43:29Z
2022-12-16
2022-08-09
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv AVELAR FILHO, Jeronimo da Silva. Detection of Schizophrenia based on brain structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images. 2022. xvi, 89 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2022.
https://repositorio.unb.br/handle/10482/45319
identifier_str_mv AVELAR FILHO, Jeronimo da Silva. Detection of Schizophrenia based on brain structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images. 2022. xvi, 89 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2022.
url https://repositorio.unb.br/handle/10482/45319
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.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Repositório Institucional da UnB
collection Repositório Institucional da UnB
repository.name.fl_str_mv Repositório Institucional da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv repositorio@unb.br
_version_ 1814508248520196096

Registros relacionados