Artificial intelligence system for the automatic detection of Alzheimer’s disease using magnetic resonance imaging (MRI)

Resumo

A doença de Alzheimer (DA) é uma doença neurodegenerativa que afeta milhões de pessoas, sendo considerada uma das principais causas de demência. A sua fase inicial - défice cognitivo ligeiro (DCL) – caracteriza-se por ser assintomática, e embora vários estudos tenham sido realizados, atualmente, ainda não existe uma cura disponível. No entanto, existem alguns medicamentos que proporcionam redução dos sintomas se administrados nas fases iniciais da doença. Contudo, para isto ser possível, o diagnóstico necessita de ser realizado corretamente, distinguindo-se as diferentes fases da doença. Deste modo, subsiste uma necessidade crescente de efetuar um diagnóstico precoce para minimizar o impacto da doença de Alzheimer, atrasando-a, bem como aos efeitos que lhe são subjacentes. Este trabalho tem como principal objetivo conceber um sistema inteligente que permita a deteção automática da doença de Alzheimer utilizando imagens de ressonância magnética (RM). Para tal, analisou-se um conjunto de imagens nos planos anatómicos sagital, frontal e horizontal, tendo sido extraídas e pré-selecionadas determinadas características para alimentar diferentes algoritmos clássicos de Machine Learning e de Deep Learning. Por um lado, para a técnica de Machine Learning clássica, e para a comparação entre: (1) Controlo (CN) vs AD, o classificador Bagged Trees atingiu uma precisão de discriminação de 93,3!; (2) MCI vs AD, o classificador Quadratic SVM obteve uma precisão de discriminação de 87,7!; (3) CN vs MCI, os classificadores Fine KNN e Subspace KNN atingiram uma precisão de discriminação de 88,2!, respetivamente; e (4) Todos vs Todos, o classificador Subspace KNN proporcionou uma precisão de discriminação de 75,3!. Por outro lado, para a técnica de Deep Learning, e para a comparação entre: (1) CN vs AD, foi alcançada uma precisão de discriminação de 82,2!; (2) MCI vs AD, obteve uma precisão de discriminação de 75,4!; (3) CN vs MCI, atingiu uma precisão de discriminação de 83,8!; e (4) Todos vs Todos, alcançou uma precisão de discriminação de 64,0!. Na comparação CN vs MCI, o método proposto, quando comparado com métodos que recorrem a RM estrutural, mostrou um aumento na precisão de classificação de 9%. Por conseguinte, é reforçado o potencial deste trabalho no diagnóstico da DA, principalmente nas suas fases iniciais.

Data de atribuição	16 dez. 2021
Idioma original	English
Instituição de premiação	Universidade Católica Portuguesa
Supervisor	Pedro Miguel Rodrigues (Supervisor)