Aprendizado de características para classificação de imagens de ressonância magnética da doença de Alzheimer

A doença de Alzheimer é um mal que aflige milhares de pessoas ao redor do mundo. Sendo até o momento incurável e suas causas ainda incompreendidas, a detecção e tratamento precoce se tornaram as maiores aliadas no seu combate. Um método para se detectar a presença da doença é através da análise de imagens de ressonância magnética do cérebro, contudo, ainda depende muito da experiência do examinador. Para isso é treinada uma rede neural convolucional para classificar imagens de ressonância magnética de cérebros com doença de Alzheimer, predizendo não só se o paciente está sadio (non demented), mas também em um dos 3 estágios da doença (mild demented, very mild demented ou moderate demented). Seis redes rasas e criadas do zero são treinadas a partir do aumento de dados de um conjunto de dados público, desbalanceado e rotulado de imagens de ressonância magnética de diferentes fatias horizontais do cérebro. Aquela que apresentou melhor acurácia é comparada a uma linha de base consistindo de um classificador (SVM) treinado com um vetor de características extraído de um ResNet-50 usando os mesmos dados de treinamento. A rede rasa final obteve uma acurácia de 78,5% para o conjunto de teste contra 49,80% da linha de base, além de superá-la na classificação de cada uma das 4 classes. Observou-se também que a técnica de aumento de dados mitigou o problema de desbalanceamento das classes e que o dropout aumentou em 8,05% na acurácia do conjunto de teste. Assim, foi possível treinar uma rede neural convolucional capaz de predizer o estágio da doença de Alzheimer a partir de imagens de ressonância magnética de cérebros com acurácia maior que a linha de base definida e com uma ligeira dificuldade de classificação da doença nos seus estágios inicias (mild demented e very mild demented), condizendo com a dificuldade enfrentada por médicos em seus diagnósticos.