Análisis de neuroimágenes para el diagnóstico temprano de la enfermedad del Alzheimer

Abstract

La demencia cortical, enfermedad de Alzheimer (EA) es uno de los mayores desaf´ıos de salud actuales. Este TFT desarrolla, optimiza un sistema inteligente basado en la arquitectura profunda Densenet, de ayuda a la detección temprana de la EA mediante la clasificación de neuroimágenes, como las IRM, imagen de resonancia magnética, así como predicciones de la evolución de la neuropatología. El dataset, procede de la base de datos ADNI. Consiste en las IRM de 819 pacientes, con situaciones cognitivas diferentes: sanos, con deterioro cognitivo leve y con la EA, y en tiempos distintos, t = 0, t = 6 meses, t = 12 meses. El objetivo final de este estudio es determinar la eficiencia de esta propuesta de aprendizaje profundo, frente a otras soluciones con redes neuronales superficiales usando esencialmente test neuropsicológicos.

Cortical dementia, Alzheimer’s disease (AD), is one of the major current health challenges. This final degree project develops and optimizes an intelligent system based on the deep architecture DenseNet to support the early detection of AD through the classification of neuroimages, such as MRIs (Magnetic Resonance Imaging), as well as predictions of the progression of neuropathology. The dataset comes from the ADNI (Alzheimer’s Disease Neuroimaging Initiative) database. It consists of MRI scans of 819 subjects, with different cognitive conditions: healthy, mild cognitive impairment, and Alzheimer’s disease, at different time points: t = 0, t = 06 months, and t =12 months. The ultimate goal of this study is to determine the efficiency of this deep learning approach compared to other solutions using shallow neural networks that primarily rely on neuropsychological tests.