Detecção de azheimer em imagens de ressonância magnética utilizando deep learning

Abstract

O envelhecimento populacional vem sendo observado no mundo todo. Este fato, analisado e repercutido pela ciência nos tempos atuais, torna necessário se ater à saúde dessa população mais idosa. Neste contexto, uma das doenças que pode surgir é a doença de Alzheimer, que afeta o idoso comprometendo sua integridade física, mental e social. O diagnóstico clínico ainda é o ponto principal para o diagnóstico desse tipo de demência. Dessa forma, o uso de sistemas computacionais para auxiliar o médico no diagnóstico pode facilitar e ajudar a análise médica. Na medicina, uma das aplicações concebidas é o diagnóstico de doenças através da análise de imagens digitais. A neuroimagem é uma das áreas de pesquisa mais promissoras para a detecção de biomarcadores estruturais da doença de alzheimer(DA), onde uma técnica não invasiva é usada para capturar uma imagem digital do cérebro, a partir da qual especialistas extraem padrões e características da doença. Nesse contexto, os sistemas de diagnóstico assistido por computador(DAC) são abordagens que visam ajudar médicos e especialistas na interpretação de dados médicos, para fornecer diagnósticos aos pacientes. Esses diagnósticos vêm apresentando resultados significativos e auxiliando profissionais da saúde. Dentre as doenças que estão sendo estudadas com o intuito de serem diagnosticadas, destaca-se a doença de Alzheimer devido à sua letalidade e, consequentemente, à sua necessidade de identificação precoce. Diante disso, este trabalho teve como objetivo reconhecer imagens de ressonância magnética com a doença de Alzheimer. Para isso, uniu-se técnicas de processamento de imagens digitais, com aprendizagem de Redes Neurais Artificiais. Resultando em uma aplicação capaz de classificar imagens de ressonância magnética de pacientes, identificando ou não a presença da doença de Alzheimer. Nesta dissertação, foram desenvolvidos e avaliados modelos de aprendizado profundo aplicados à classificação de imagens de ressonância magnética para a detecção precoce da Doença de Alzheimer. Em razão das limitações dos métodos clínicos tradicionais — frequentemente subjetivos e demorados — o estudo investiga o uso de redes neurais convolucionais (CNNs) como ferramenta de apoio ao diagnóstico médico. A metodologia adotada contempla o pré-processamento de imagens nos formatos 2D e 3D, o treinamento de modelos baseados em deep learning e a avaliação de desempenho por meio de métricas como acurácia, curva ROC e curva de Precisão- Revocação. Os resultados obtidos indicaram que os modelos baseados em CNNs foram capazes de classificar com elevada precisão as imagens de ressonância magnética, atingindo uma acurácia de ≈ 98, 88% no formato 2D e de ≈ 97, 1% no formato 3D, o que evidencia o potencial da abordagem desenvolvida.

Population aging has been observed worldwide and has become a central concern in contemporary scientific research, particularly with regard to the health of the elderly population. In this context, Alzheimer’s disease (AD) stands out as a progressive neurodegenerative disorder that predominantly affects older adults, compromising their physical, cognitive, and social functioning. Neuroimaging has emerged as one of the most promising research areas for the identification of structural biomarkers associated with AD. This field employs non-invasive techniques to acquire digital brain images, from which relevant patterns and characteristics related to the disease can be extracted. In parallel, computer-aided diagnosis (CAD) systems have been developed with the aim of supporting physicians and specialists in the interpretation of medical data, thereby contributing to more accurate and efficient diagnostic processes. Although clinical assessment remains the primary method for diagnosing Alzheimer’s disease, the integration of computational systems into medical practice can enhance diagnostic reliability and assist medical decision-making. Among the various applications of such systems in medicine, disease diagnosis based on digital image analysis represents a particularly relevant and expanding area of research. These diagnoses have been presenting significant results and health professionals. Among the diseases that are being studied with the aim of Alzheimer’s disease stands out because of its lethality and, consequently, its need for early identification. Therefore, this work will aim to recognize magnetic resonance imaging with Alzheimer’s disease. This research proposes the development and evaluation of deep learning models applied to the classification of magnetic resonance imaging (MRI) scans for the early detection of Alzheimer’s disease. Due to the limitations of traditional clinical methods—which are often subjective and time-consuming—the study investigates the use of convolutional neural networks (CNNs) as a tool to support medical diagnosis. The adopted methodology includes preprocessing of 2D and 3D images, training of deep learning-based models, and performance evaluation using metrics such as accuracy, ROC curve, and Precision-Recall curve. The results showed that the CNNbased models were able to accurately classify the MRI images, achieving an accuracy of ≈ 98.88% in the 2D format and ≈ 97.12% in the 3D format, highlighting the potential of the developed approach.