Dissertação

{en_GB=Transfer Learning methods for Alzheimer's Disease Diagnosis } {} EVALUATED

{pt=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., en=Alzheimer's disease (AD) is the most common cause of dementia among elderly people and one of the leading causes of death in developed countries, which is manifested by the loss of cognitive functioning and behavioral abilities, caused by progressive neuronal degeneration. Although there is still no practical diagnostic method available, a correct detection of the disease is crucial to slow down it's progression and cognitive decline. In recent years, Deep Learning methods gained popularity in AD detection, especially in dealing with brain scan images. Despite the success of these methods, the volume of medical images available is usually too small, which can easily lead to overfitting. At the same time, multimodal neuroimaging approaches have shown good results in AD diagnosis. In this work, a cross-modal Transfer Learning strategy was adopted using positron emission tomography (PET) and magnetic resonance imaging (MRI) brain scans: Deep Learning models based on Convolutional Neural Networks were pre-trained on one modality and fine-tuned using the other modality. The proposed approach obtained 86.4% accuracy for the classification task of AD vs normal controls (NC), showing improvement of around 2.5% of the classification system's accuracy with Transfer Learning, reducing overfitting, while taking advantage of the information provided by different neuroimaging modalities. }
{pt=Doença de Alzheimer, Aprendizagem de Transferência, Redes Neuronais Convolucionais, Aprendizagem Profunda, Imagens Médicas, Multimodalidade, en=Alzheimer's Disease, Transfer Learning, Convolutional Neural Network, Deep Learning, Medical Imaging, Multi-modality}

Janeiro 21, 2021, 10:0

Orientação

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar