Dissertação

Diagnosis of Alzheimer’s Disease using Multiple Instance Learning EVALUATED

A doença de Alzheimer (AD) representa uma calamidade para a sociedade contemporânea. Este trabalho pretende apresentar uma ferramenta de diagnóstico automático baseada numa nova área da aprendizagem automática, o modelo Multiple-Instance Learning (MIL), que difere do paradigma supervisionado. Imagens de Flurodeoxiglicose (FDG)-PET foram usadas em classificação binária entre pacientes AD, MCI e cognitivos normais (CN). Cinco algoritmos de MIL - Diverse Density, CKNN, MILES, YARDS e BARTMIP - foram testados, abrangendo os principais paradigmas de MIL. As análises feitas são transversais e longitudinais. Foi também aplicado um método melhorado e pouco difundido de normalização - Normalizaação de Yakushev. Os resultados obtidos mostram que este paradigma é competitivo com o estado da arte. As diferenças entre os cinco classificadores revelaram-se não significativas. As melhores accuracies médias obtidas para CN vs. AD, MCI vs. AD e CN vs. MCI foram, respectivamente, 90.98%, 71.32% e 66.85%. Por outro lado, a análise de curvas de Receiver Operating Characteristic (ROC) obteve áreas de 0.96, 0.77 e 0.66, respectivamente . No que diz respeito à análise longitudinal, esta parece melhorar os resultados apenas quando o instante de tempo de follow-up apresenta melhor accuracy. Finalmente, mostra-se uma possível utilização de MIL como alternativa ao uso de imagens registadas.
Doenca de Alzheimer, Diagnóstico Assistido por Computador, Tomografia por Emissão de Positrões, Multiple Instance Learning

Junho 8, 2015, 11:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Durval Campos Costa

Fundação Champalimaud

Doutor