Dissertação

Transfer Learning methods for Alzheimer's Disease Diagnosis EVALUATED

A doença de Alzheimer (AD) é a causa mais comum de demência entre idosos e uma das principais causas de morte nos países desenvolvidos, que se manifesta pela perda do funcionamento cognitivo e habilidades comportamentais, causadas pela progressiva degeneração neuronal. Embora ainda não exista um método prático de diagnóstico disponível, uma detecção correta da doença é fundamental para retardar a sua progressão e o declínio cognitivo. Nos últimos anos, os métodos de Aprendizagem Profunda ganharam popularidade na detecção de AD, especialmente através do uso de imagens cerebrais. Apesar do sucesso desses métodos, o volume de imagens médicas disponíveis é geralmente muito pequeno, o que pode facilmente levar a sobreajuste. Ao mesmo tempo, as abordagens de neuroimagem multimodal têm mostrado bons resultados no diagnóstico de AD. Neste trabalho, foi adotada uma estratégia de Aprendizagem de Transferência entre modalidades, usando tomografia por emissão de protões (PET) e imagens de ressonância magnética: modelos de aprendizagem profunda baseados em Redes Neurais Convolucionais foram pré-treinados numa das modalidades e ajustados usando a outra modalidade. A abordagem proposta obteve 86,4% de exatidão para a classificação entre AD vs sujeitos cognitivamente normais (NC), mostrando uma melhoria de cerca de 2.5% da exatidão do sistema de classificação através da Aprendizagem de Transferência, reduzindo o sobreajuste, ao mesmo tempo que aproveita as informações fornecidas por diferentes modalidades de neuroimagem.
Doença de Alzheimer, Aprendizagem de Transferência, Redes Neuronais Convolucionais, Aprendizagem Profunda, Imagens Médicas, Multimodalidade

Janeiro 21, 2021, 10:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar