Dissertação

Multimodal and Longitudinal Approaches to Alzheimer’s Disease Classification EVALUATED

A doença de Alzheimer é uma doença neurodegenerativa, para a qual não se conhece a cura. No entanto, o seu progresso pode ser atrasado, quando é precocemente diagnosticada. MRI e PET são ferramentas fulcrais para este propósito, uma vez que podem ajudar a identificar a doença anos antes de aparecerem sintomas. Este trabalho analisou como é que vários classificadores se comportavam em diferentes situações. Estas incluíram classificação binária e multiclasse (até 4 classes), prever o diagnóstico futuro, prever o diagnóstico atual com base num histórico, e prever se o diagnóstico de um sujeito iria piorar. Este último cenário teve uma dificuldade acrescida, já que a representatividade de uma das classes era muito superior à da outra. As técnicas utilizadas para lidar com este efeito foram SMOTE, "random undersampling", e uma combinação das duas. Os classificadores usados foram SVM, RF, NN e RNN. Em ocasiões onde foram considerados vários intervalos de tempo, os dados de entrada tiveram de ser adaptados para SVM e RF. Para isto as "features" de todos os intervalos de tempo foram concatenadas. Para além dos classificadores já conhecidos, o kSVM foi proposto e testado. O objectivo deste classificador era melhorar o resultado do SVM para situações em que há vários intervalos de tempo, ao receber as “features” de cada intervalo de tempo separadas, em vez de concatenadas. No entanto a sua performance foi pior que a do SVM, o que significa que este classificador não é muito promissor. Foi também proposto um classificador de mudanças de diagnóstico.
AD, MCI, MRI, RF, RNN, SVM

Novembro 16, 2020, 14:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Jaime dos Santos Cardoso

FEUP

Professor Associado

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar