Auxílio no diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética utilizando competição e cooperação entre partículas

• Autor(a) principal: Carneloz, Caio Oliveira
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/191774
• topic: Competição e cooperação de partículas; Aprendizado de máquina; Aprendizado semi-supervisionado; Doença de Alzheimer; Imagens de ressonância magnética; Particle competition and cooperation; Machine learning; Semi-supervised learning; Alzheimer's disease; Magnetic resonance imaging

O diagnóstico precoce da doença de Alzheimer é algo crucial para que seu tratamento seja efetivo. No entanto, detectar a doença em estágio inicial não é uma tarefa trivial, uma vez que seus sintomas podem ser confundidos com consequências naturais do envelhecimento. Para que métodos de aprendizado supervisionado identifiquem diferenças entre cérebros saudáveis e com Alzheimer, é necessária uma grande base de dados rotulados, o que é caro e leva tempo. Em contrapartida, o uso de métodos não-supervisionados elimina o impasse dos dados rotulados, mas ao mesmo tempo não lida bem com problemas onde as amostras possuem diferenças sutis entre si. Neste trabalho, será apresentada uma abordagem semi-supervisionada para classificar pacientes com a doença de Alzheimer a partir de imagens cerebrais, através do uso do modelo de competição e cooperação entre partículas. Para que seja possível lidar com imagens, foram utilizados extratores de características de descritores de propósito geral e redes pré-treinadas de aprendizagem profunda. Os experimentos foram realizados fazendo uso da base Open Access Series of Imaging Studies. Como forma de avaliar o desempenho do modelo de partículas, foram aplicados os algoritmos SVM, kNN, Naive Bayes, Label Propagation e Label Spreading. De modo geral, através da métrica F1-Score, foi possível observar que os extratores de características baseados em aprendizagem profunda trouxeram uma melhor representação das imagens em relação aos descritores de uso geral. A segmentação de regiões cerebrais trouxe ganhos de até 131% no valor F1-Score para determinados algoritmos. Os experimentos também demonstraram um melhor desempenho médio do modelo de partículas em comparação aos demais métodos utilizados.