| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 4.58 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
Alzheimer’s disease (AD) is a neurodegenerative illness and is considered one of the main causes of dementia affecting millions of people. In its early stage – Mild-cognitive impairment (MCI) – is asymptomatic. Furthermore, although several studies have been made, until this day, no cure is yet available. Currently, some pharmaceuticals provide a slowing of symptoms if administered in early stages. However, to do so, the diagnosis needs to be properly performed to distinguish AD different stages. Thereby, there remains a growing need for early diagnosis to minimise AD impact by delaying it and its underlying effects. This work main purpose is to create an intelligent system that enables Alzheimer’s automatic detection using Magnetic Resonance Imaging (MRI). To do so, a set of MRI images were analysed in the sagittal, coronal, and axial anatomical views and certain features were extracted and pre-selected to feed machine learning classic algorithms and a deep learning algorithm. On the one hand, for the Machine Learning classic algorithms, and for the comparison between: (1) AD vs Control (CN), a Bagged Trees Classifier reached a discrimination accuracy of 93.3!; (2) AD vs MCI, Quadratic SVM classifier got a discrimination accuracy of 87.7!; (3) CN vs MCI, Fine KNN and Subspace KNN classifiers achieved a discrimination accuracy of 88.2!, respectively; and (4) All vs All, the Subspace KNN classifier provided a discrimination accuracy of 75.3!. On the other hand, for the Deep Learning algorithm, and for the comparison between: (1) AD vs CN, a discrimination accuracy of 82.2! was achieved; (2) AD vs MCI, got a discrimination accuracy of 75.4!; (3) CN vs MCI, reached a discrimination accuracy of 83.8!; and (4) All vs All, reached a discrimination accuracy of 64.0!. In the CN vs MCI comparison, the proposed method, when compared with methods that use structural MRI (sMRI), showed an increase in classification accuracy of 9%. Therefore, the potential of this work in the diagnosis of AD, mainly in its early stages, is reinforced.
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.
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.
Description
Keywords
Alzheimer’s Disease Mild-cognitive impairment Magnetic resonance imaging Diagnosis Classic machine learning Deep learning Doença de alzheimer Deficiência cognitiva leve Ressonância magnética Diagnóstico Machine learning clássica