Deteção precoce da doença de Parkinson com recurso a imagens de ressonância magnética e algoritmos de classificação Deep Learning

• Main Author: Capinha, Mónica Alexandra Agostinho dos Santos
• Publication Date: 2022
• Format: Master thesis
• Language: por
• Source: Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)
• Download full: http://hdl.handle.net/10400.21/16019
• topic: Ressonância magnética; Deep Learning; Doença de Parkinson; Processo neurodegenerativo; Magnetic resonance; Parkinson disease; Neurodegeneration process; MRI

A doença de Parkinson consiste num distúrbio neurológico que afeta cerca de 1% da população mundial. Esta doença tem origem na degeneração da substância nigra, uma porção do cérebro localizada no mesencéfalo. Sendo que os neurónios nesta região do cérebro estão revestidos por um pigmento rico em neuromelanina, com elevado teor de ferro, é possível assim a visualização da substância nigra em imagens de Ressonância Magnética. A deteção de doenças com recurso a inteligência artificial tem sido uma área de estudo com elevada relevância científica e aplicada nos últimos anos. Nesse contexto, este trabalho tem como objetivo identificar a combinação de arquitetura de Deep Learning e ponderação de ressonância magnética utilizadas nos protocolos standard que permite alcançar melhor capacidade preditiva na deteção da doença de Parkinson. Para isso foi inicialmente efetuada uma revisão da literatura, a que se seguiu uma avaliação da capacidade preditiva de quatro arquiteturas Deep Learning distintas (LeNet; AlexNet; InceptionNetV3; ResNet50) considerando quatro ponderações de imagem (T1, T2, DP e FLAIR). A arquitetura ResNet50 com a ponderação T2 foi a que apresentou melhores performance preditiva, alcançando resultado considerados ‘muito bons’ (AUC=0,889). Da análise das relações entre valores de erro e idade e género dos utentes, verificou-se ainda a existência de uma relação significativa positiva entre idade e valores de erro para pessoas do género feminino, sugerindo uma maior dificuldade do modelo em efetuar o diagnóstico correto para mulheres de idade mais avançada.