Dissertação
Alzheimer 's Disease Diagnosis Using a Variational Autoencoder EVALUATED
A doença de Alzheimer é uma patologia comum em pessoas idosas, sendo responsável por atrofias cerebrais progressivas que se manifestam em problemas cognitivos e de memória. Apesar de não existir uma forma de diagnóstico definitiva, é possível identificar lesões associadas à doença através de imagens cerebrais, uma tarefa que pode ser automatizada de forma a auxiliar especialistas. Neste trabalho, é proposta uma arquitetura baseada em Aprendizagem Profunda que, dada uma neuroimagem pertencente a um paciente cujo estado da doença é desconhecido, produz um diagnóstico adequado. Actualmente, as propostas atuais baseiam-se no conceito de aprendizagem supervisionada através do uso de dados catalogados. Este trabalho, por outro lado, interpreta o problema de diagnóstico automático da doença como uma deteção de anomalias com três classes (saudável, défice cognitivo ligeiro e demência de Alzheimer), usando um autocodificador variacional, uma rede não-supervisionada e generativa, modificado com camadas convolucionais responsáveis pela extração automática de características da imagem e pela codificação das mesmas numa função densidade de probabilidade. A arquitetura proposta mostra vantagens, eliminando a necessidade de dados catalogados necessários e permitindo a análise de áreas do cérebro afectadas (que podem ser medicamente relevantes) e a deteção de anomalias por análise do erro de reconstrução cometido entre entrada e saída da rede. Contudo, a solução apresenta um espaço latente pouco informativo e uma dependência grande dos valores dos hiperparâmetros, pondo em causa a sua viabilidade principalmente quando comparado com um classificador supervisionado (com estrutura igual ao codificador da rede não supervisionada).
novembro 18, 2019, 15:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Maria Margarida Campos da Silveira
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar