FenixEdu™

Dissertação

{en_GB=Diagnosis of Alzheimer’s Disease using Multiple Instance Learning} {} EVALUATED

Detalhes: {pt=A doença de Alzheimer (AD) representa uma calamidade para a sociedade contemporânea. Este trabalho pretende apresentar uma ferramenta de diagnóstico automático baseada numa nova área da aprendizagem automática, o modelo Multiple-Instance Learning (MIL), que difere do paradigma supervisionado. Imagens de Flurodeoxiglicose (FDG)-PET foram usadas em classificação binária entre pacientes AD, MCI e cognitivos normais (CN). Cinco algoritmos de MIL - Diverse Density, CKNN, MILES, YARDS e BARTMIP - foram testados, abrangendo os principais paradigmas de MIL. As análises feitas são transversais e longitudinais. Foi também aplicado um método melhorado e pouco difundido de normalização - Normalizaação de Yakushev. Os resultados obtidos mostram que este paradigma é competitivo com o estado da arte. As diferenças entre os cinco classificadores revelaram-se não significativas. As melhores accuracies médias obtidas para CN vs. AD, MCI vs. AD e CN vs. MCI foram, respectivamente, 90.98%, 71.32% e 66.85%. Por outro lado, a análise de curvas de Receiver Operating Characteristic (ROC) obteve áreas de 0.96, 0.77 e 0.66, respectivamente . No que diz respeito à análise longitudinal, esta parece melhorar os resultados apenas quando o instante de tempo de follow-up apresenta melhor accuracy. Finalmente, mostra-se uma possível utilização de MIL como alternativa ao uso de imagens registadas., en=Alzheimer's disease (AD) is a burden for the contemporary society. Its early detection and accurate diagnosis may lead to an improvement in treatment. This work aims to present an automatic diagnostic tool based on a recent machine learning field, the Multiple-Instance Learning (MIL) model, which differs from the more common supervised learning paradigm. Fluorodeoxyglucose (FDG)-PET images were used to perform binary classification between AD, MCI and Cognitively Normal (CN) patients. Five Multi-Instance Learning algorithms - Diverse Density, CKNN, MILES, YARDS and BARTMIP - were tested, spanning the main MIL paradigms, in a cross-sectional and longitudinal analysis. Also, an improved and still scarcely used method of normalisation - the Yakushev Normalisation - was implemented. Results show that this paradigm is competitive with the state of the art. No significative differences were found between the five classifiers. Best ballanced accuracies obtained for CN vs. AD, MCI vs. AD and CN vs. MCI were, respectively, 90.98%, 71.32% and 66.85%. On the other hand, Receiver Operator Characteristic (ROC) curves analysis registered areas values of 0.96, 0.77 and 0.67, respectively. What concerns the effect of longitudinal analysis, it seems to be effective only when the follow-up instant shows better accuracy. Finally, it is shown a possible way to overcome image registration through MIL.}
Keywords: {pt=Doenca de Alzheimer, Diagnóstico Assistido por Computador, Tomografia por Emissão de Positrões, Multiple Instance Learning, en=Alzheimer's Disease, Computer Aided Diagnosis, Positron Emission Tomography, Multiple Instance Learning}

Discussão: junho 8, 2015, 11:0