Skip navigation
Veuillez utiliser cette adresse pour citer ce document : http://repositorio.unb.br/handle/10482/45319
Fichier(s) constituant ce document :
Fichier Description TailleFormat 
2022_JeronimodaSilvaAvelarFilho.pdf6,5 MBAdobe PDFVoir/Ouvrir
Titre: Detection of schizophrenia based on brain Structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images
Autre(s) titre(s): Detecção de Esquizofrenia com base em análise estrutural do cérebro usando aprendizagem de máquina aplicada a combinações de cortes em imagens volumétricas de ressonância magnética
Auteur(s): Avelar Filho, Jeronimo da Silva
metadata.dc.contributor.email: jeroavf@gmail.com
Orientador(es):: Mendes, Cristiano Jacques Miosso Rodrigues
Assunto:: Esquizofrenia
Deep Learning
Aprendizado de máquina
Neurociências
Ressonância magnética
Entropia
Date de publication: 16-déc-2022
Référence bibliographique: AVELAR FILHO, Jeronimo da Silva. Detection of Schizophrenia based on brain structural analysis using machine learning applied to different combinations of multi-slice magnetic resonance images. 2022. xvi, 89 f., il. Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Brasília, 2022.
Résumé: A Esquizofrenia é uma doença mental com muitas manifestações clínicas, que transformam o diagnóstico em um grande desafio. Até que um diagnóstico seja finalizado, o paciente passa por muitos episódios de sofrimento mental que podem redundar em conflitos sociais, acidentes involuntários e até suicídios. Apesar da complexidade clínica, um diagnóstico nos estágios iniciais da doença é de grande relevância. Vários estudos recentes, com foco na análise das modificações estruturais do cérebro, encontraram correlações com a esquizofrenia, e sugerem que a esquizofrenia pode ser diferenciada do caso controle com base em imagens anatômicas de ressonância magnética. Pesquisas anteriores aplicando aprendizagem de máquina a estas imagens de ressonância magnética apresentaram resultados promissores. Apesar dos resultados, o escopo destas pesquisas estava limitado a um ou poucos cortes do cérebro e também não utiliza os mais recentes algoritmos de aprendizagem de máquina nos seus classificadores. Em consequência, o uso de poucas fatias ou algoritmos mais simples pode levar a perda de informação devido à extração de características em nível abaixo do desejado. No presente estudo, criamos modelos de aprendizagem de máquina baseados em Redes Neurais Convolucionais (Convolutional Neural Networks - CNN), e avaliamos os parâmetros para treinamento. Para tanto, utilizamos um conjunto de dados para treinamento, correspondente a imagens de Ressonância Magnética, com imagens de um grupo de controle (com pessoas sem diagnóstico de distúrbio mental) e um grupo experimental (com portadores de esquizofrenia). Avaliamos também critérios para a seleção dos cortes a serem utilizados para compor o conjunto de dados (dataset) e as diversas combinações que podem levar a um melhor desempenho do classificador. Obtivemos as imagens dos cortes pela extração uma a uma da estrutura 3D correspondente a um volume do crânio humano, em cada imagem. Os cortes são numerados usando os índices do eixo axial do volume mapeado. Experimentamos selecionar as fatias utilizando métricas como covariância e entropia, e os melhores resultados foram obtidos quando utilizamos o conceito de entropia para avaliar as imagens dos cortes. Os cortes foram ordenados pelo critério de maior entropia. Com esse critério, fizemos a avaliação individual dos cortes pelo modelo de aprendizagem de máquina e a seleção dos conjuntos de cortes. Nossa abordagem foi criar um dataset com adição incremental dos cortes ordenados pela entropia e usá-lo como conjunto de treinamento do modelo de aprendizado de máquina. Primeiramente, foi treinado o modelo com apenas uma fatia. No próximo, passo foi treinado com duas fatias para compor o conjunto de dados e assim por diante, até criarmos um dataset com todas as imagens extraídas do volume representado. Cada dataset criado foi submetido ao treinamento no modelo de aprendizado de máquina e foram obtidas as métricas de desempenho do sistema. Nossos resultados sugerem que é possível obter do classificador acurácia próximo de 80% quando treinado com um conjunto de cortes previamente selecionado. Neste trabalho, também exploramos o uso de Inteligência Artificial Explicável (Explainable Artificial Intelligence - XAI), para compreender o resultado da classificação do modelo.
metadata.dc.description.unidade: Faculdade UnB Gama (FGA)
Description: Dissertação (Mestrado em Engenharia Biomédica) — Universidade de Brasília, Faculdade UnB Gama, Programa de pós-graduação em Engenharia Biomédica, 2022.
metadata.dc.description.ppg: Programa de Pós-Graduação em Engenharia Biomédica
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Collection(s) :Teses, dissertações e produtos pós-doutorado

Affichage détaillé " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/45319/statistics">



Tous les documents dans DSpace sont protégés par copyright, avec tous droits réservés.