Um classificador baseado em redes neurais artificiais para pré-diagnóstico de doença de Alzheimer

• Main Author: Vieira, Matheus Henrique da Silva
• Publication Date: 2022
• Other Authors: Santos, Nathalia Cuciniello dos
• Format: Bachelor thesis
• Language: por
• Source: Repositório Institucional da Universidade Federal Fluminense (RIUFF)
• dARK ID: ark:/87559/001300000vckn
• Download full: http://app.uff.br/riuff/handle/1/24543
• topic: Inteligência artificial; Integral de Choquet; Rede neural artificial; Doença de Alzheimer; Inteligência artificial; Rede neural artificial; Alzheimer’s disease; Artificial intelligence; Artificial neural network; Choquet Integral

No estágio mais avançado da Doença de Alzheimer, o paciente debilitado se torna incapaz de realizar suas tarefas diárias. Para que o efeito progressivo da doença seja retardado e uma qualidade de vida melhor possa ser oferecida ao paciente, é importante que o diagnóstico da doença seja realizado precocemente. No entanto, até mesmo para o médico especialista é difícil diagnosticar a doença somente com exames de Ressonância Magnética por Imagem (RMI) ou de Tomografia Computadorizada (TC). Dessa forma, o objetivo deste trabalho é criar um mecanismo que auxilie no pré-diagnóstico da Doença de Alzheimer. Para isso, desenvolve-se um classificador com base em redes neurais artificiais para diferenciar níveis de severidade da Doença de Alzheimer. A proposta deste trabalho consiste em criar um classificador único a partir da composição de três classificadores binários, utilizando a Integral de Choquet para unificar modelos e a média ou a moda para combinar o resultado unificado. O classificador final distingue entre as severidades Leve, Muito Leve e Sem Demência. Cada classificador binário diferencia uma combinação distinta desses níveis de severidade. A estrutura dos classificadores binários conta com a composição de redes neurais convolucionais e multicamadas. Imagens de exames de RMI são usadas como entrada da rede convolucional. Para obter um modelo satisfatório para os classificadores binários, treina-se a rede neural com diferentes estruturas, variando-se hiperparâmetros e verificando sua influência no desempenho do classificador. Os resultados mostram que os perparâmetros batch, taxa de aprendizado e quantidade de blocos influenciam de forma mais significativa o desempenho dos classificadores binários. Além disso, os melhores resultados para o classificador final são obtidos utilizando modelos não ótimos dos classificadores binários. O classificador final proposto apresenta 54% de acerto para a classe Leve, 51% para Muito Leve e 52% para Sem Demência