{en_GB=Alzheimer 's Disease Diagnosis Using a Variational Autoencoder} {} EVALUATED

Detalhes: {pt=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)., en=Alzheimer’s Disease is one of the most common pathologies in aging humans, responsible for progressive brain atrophies which manifest themselves in cognitive and memory problems. Although a form of definitive diagnosis is yet to be found, it is possible to identify disease related lesions through inspection of brain scans, a task that can possibly be automated in order to aid specialists. In this work, a Deep Learning strategy will be adopted in order to build a framework that, given a scan belonging to a patient with an unknown disease status, produces an adequate diagnosis automatically. Current approaches are all based on the concept of supervised learning through the usage of labeled datasets. This work on the other hand tries to interpret the automated diagnosis of Alzheimer’s disease as a novelty detection problem with three classes (healthy, mild cognitive impairment and Alzheimer’s dementia), relying on a modified Variational Autoencoder (VAE), an unsupervised and generative network equipped with convolutional layers responsible for automatic image feature extraction and encoding in the form of a chosen probability density function. The proposed approach shows advantages, eliminating the need for labelled images and allowing one to inspect affected brain areas (which may be clinically relevant), while showing a possibility to detect anomalies through the output-input reconstruction error. However, it suffers from a highly uninformative latent space and an overdependence on hyperparameter values, which jeopardize its viability, especially when compared to a supervised deep classifier (with the same structure as the VAE's encoder).}

Discussão: novembro 18, 2019, 15:30

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Luís Carlos Gonçalves de Castro (ist181181)

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar