{en_GB=Curriculum Learning for early Alzheimer's Disease diagnosis} {} EVALUATED

Detalhes: {pt=Os estágios iniciais e assintomáticos da doença de Alzheimer, como o défice cognitivo ligeiro, são difíceis de classificar, mesmo por médicos experientes. Por esse motivo, métodos de aprendizagem profunda, como redes neurais de convolução, têm sido implementados com o mesmo propósito, alcançando desempenhos de classificação semelhantes ou até melhores do que os dos próprios médicos. Embora esses métodos tenham a vantagem de que as características das imagens são extraídas automaticamente em vez de manualmente, a sua arquitetura tradicional não permite a incorporação de conhecimento médico. Nesta tese, propomos implementar estratégias de aprendizagem por currículo em redes neuronais de convolução desenhadas para distinguir entre sujeitos saudáveis, com défice cognitivo ligeiro e com doença de Alzheimer. Aprendizagem por currículo é uma estratégia de treino das redes que tenta imitar a maneira como os humanos, neste caso os médicos, aprendem, apresentando primeiro os dados mais fáceis ao modelo e adicionando gradualmente dados mais complexos. Diversas estratégias de aprendizagem por currículo, manuais e automáticas, foram implementadas, incorporando conhecimento médico, para melhorar o desempenho das redes no diagnóstico precoce de Alzheimer. Estas estratégias foram comparadas com modelos usados tradicionalmente e os resultados mostraram claramente que a utilização de aprendizagem por currículo melhora o F1-score (até 3.3%) e a exatidão geral (até 4.5%), particularmente a da DCL (até 11.3%)., en=The early and asymptomatic stages of such as Alzheimer’s Disease (AD), such as Mild Cognitive Impairment (MCI) are hard to classify, even by experienced physicians. For this reason, deep learning methods, such as Convolutional neural networks (CNNs), have been implemented for the same purpose, achieving similar or even better classification performance. Although these methods have the advantage that features are automatically extracted rather than handcrafted, their traditional architecture does not allow for the incorporation of medical knowledge. We propose to implement Curriculum Learning (CL) strategies into CNNs designed to diagnose healthy subjects, MCI and AD. CL is a training strategy of the networks that tries to mimic the way humans, and in this cases doctors, learn, by presenting the easier data to the model first and gradually adding more complex data. Several CL strategies, manual and automatic, were implemented, incorporating medical knowledge, to boost the networks performance for early AD diagnosis. They were compared to commonly used baseline deep learning models and the results showed that they clearly improve the F1-score (up to 3.3%) and the overall accuracy (up to 4.5%), particularly that of MCI (up to 11.3%).}

Discussão: novembro 25, 2021, 10:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

AUTOR

Catarina Mendes Faustino Gracias (ist186765)

ORIENTADOR

Maria Margarida Campos da Silveira

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar