Auxílio no diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética utilizando competição e cooperação entre partículas

Abstract

O diagnóstico precoce da doença de Alzheimer é algo crucial para que seu tratamento seja efetivo. No entanto, detectar a doença em estágio inicial não é uma tarefa trivial, uma vez que seus sintomas podem ser confundidos com consequências naturais do envelhecimento. Para que métodos de aprendizado supervisionado identifiquem diferenças entre cérebros saudáveis e com Alzheimer, é necessária uma grande base de dados rotulados, o que é caro e leva tempo. Em contrapartida, o uso de métodos não-supervisionados elimina o impasse dos dados rotulados, mas ao mesmo tempo não lida bem com problemas onde as amostras possuem diferenças sutis entre si. Neste trabalho, será apresentada uma abordagem semi-supervisionada para classificar pacientes com a doença de Alzheimer a partir de imagens cerebrais, através do uso do modelo de competição e cooperação entre partículas. Para que seja possível lidar com imagens, foram utilizados extratores de características de descritores de propósito geral e redes pré-treinadas de aprendizagem profunda. Os experimentos foram realizados fazendo uso da base Open Access Series of Imaging Studies. Como forma de avaliar o desempenho do modelo de partículas, foram aplicados os algoritmos SVM, kNN, Naive Bayes, Label Propagation e Label Spreading. De modo geral, através da métrica F1-Score, foi possível observar que os extratores de características baseados em aprendizagem profunda trouxeram uma melhor representação das imagens em relação aos descritores de uso geral. A segmentação de regiões cerebrais trouxe ganhos de até 131% no valor F1-Score para determinados algoritmos. Os experimentos também demonstraram um melhor desempenho médio do modelo de partículas em comparação aos demais métodos utilizados.

The early detection of Alzheimer's disease is a crucial step to have effective treatment of it. However, early identifying this disease is not an easy task, since their symptoms can be confused with natural aging consequences. To have supervised machine learning methods doing this well, a large labeled dataset is needed, which is expensive and time-consuming. On the other hand, the use of unsupervised methods solves the dataset question, but at the same time, it doesn't handle well with samples that have a small difference between each other. In this paper, we will present a semi-supervised approach for classifying patients with Alzheimer's disease from brain imaging, using the particle competition and cooperation model. In order to deal with images, feature extractors from general-purpose descriptors and pretrained deep learning networks were used. The experiments were performed using the Open Access Series of Imaging Studies database. To evaluate the performance of particle competition and cooperation model, the SVM, kNN, Naive Bayes, Label Propagation and Label Spreading algorithms were applied. In a general manner, through the F1-Score metric, it is possible to see that the pre-trained deep learning networks have brought better image descriptions regarding pre-built image descriptors. With the segmentation of brain areas, gains around 131% were observed for some algorithms. The experiments also show that the particle model had a higher average score when compared to other tested algorithms.