Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/48094
Arquivos associados a este item:
Arquivo TamanhoFormato 
RaimundoGuimaraesSaraivaJunior_TESE.pdf21,98 MBAdobe PDFVisualizar/Abrir
Título: Inteligência computacional no apoio ao diagnóstico da doença de Alzheimer
Autor(es): Saraiva Junior, Raimundo Guimarães
Orientador(es): Nascimento, Francisco Assis de Oliveira
Assunto: Alzheimer, Doença de
Aprendizado de máquina
Alzheimer, Doença de - diagnóstico
Aprendizagem profunda
Data de publicação: 23-Abr-2024
Referência: SARAIVA JUNIOR, Raimundo Guimarães.Inteligência computacional no apoio ao diagnóstico da doença de Alzheimer. 2023. xiii,129 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023.
Resumo: O diagnóstico preciso da doença de Alzheimer ainda é um campo aberto para a ciência, tendo em vista se tratar de uma doença multifatorial e com difícil identificação das causas. As demências estão cada vez mais presentes na população mundial, que experimenta um aumento significativo na expectativa de vida, o que explica, em parte, o aumento do diagnóstico de Alzheimer, que é o tipo de demência mais frequente. A decadência neurológica faz parte do processo natural do envelhecimento, mas a doença de Alzheimer acelera o processo de degeneração neurológica, trazendo grandes transtornos ao paciente e seus familiares, onerando os serviços públicos de saúde e causando óbitos precoces. Nesse contexto, este trabalho investiga técnicas de inteligência artificial que busquem auxiliar no diagnóstico da doença de Alzheimer, utilizando dados de natureza clínica e imagens de ressonância magnética. Mediante licenciamento para utilização, foram buscadas informações primárias nos estudos científicos Australian Imaging, Biomarker & Lifestyle Flagship Study of Ageing (AIBL), Alzheimers Disease Neuroimaging Initiative (ADNI) e no Open Access Series of Imaging Studies (OASIS). Para tratamento dos dados clínicos, foi proposto um novo método de seleção de atributos, foram criadas bases de dados reduzidas e fez-se a avaliação por modelos de classificação de aprendizado de máquina, tendo atingido a acurácia de 99,81% no diagnóstico do Alzheimer para os dados ADNI. Também foi investigado o uso de imagens obtidas em exames de ressonância magnética. Foram propostas diferentes estratégias de construção de um banco de imagens adequadas para a aplicação de técnicas de aprendizado profundo, tendo atingido a acurácia de 99,3% no diagnóstico do Alzheimer para os dados ADNI. Métricas de avaliação foram computadas sobre as estratégias propostas, e resultados de diagnóstico foram obtidos para os casos de indivíduo normal e com Alzheimer estabelecido. Também foi avaliado o caso de indivíduos com comprometimento cognitivo leve. Como parte da avaliação de desempenho, os resultados alcançados foram comparados com os resultados obtidos em outros trabalhos de pesquisa disponíveis na literatura.
Abstract: Accurate diagnosis of Alzheimer’s disease remains difficult because of the complexity of the disease and its similarity to other forms of dementia. The prevalence of dementia, and its most common form Alzheimer’s, is increasing worldwide, partly due to increasing longevity. While neurological deterioration is a normal part of aging, Alzheimer’s accelerates this process, straining public health services, leading to early mortality, and generating tremendous challenges for patients and their families. We used clinical data and magnetic resonance images to investigate artificial intelligence techniques that could assist in Alzheimer’s disease diagnosis. Primary information was obtained from the Australian Imaging, the Biomarker & Lifestyle Flagship Study of Ageing (AIBL), the Alzheimer’s Disease Neuroimaging Initiative (ADNI), and the Open Access Series of Imaging Studies (OASIS). To process these clinical data, we developed a new feature selection method, created reduced databases, evaluated the data via machine learning classification models and achieved 99.81% accuracy in diagnosing Alzheimer’s for ADNI data. MRI images were also investigated. Different strategies were proposed for building an image dataset suitable for deep learning techniques and achieved 99.3% accuracy in diagnosing Alzheimer’s for ADNI data. Evaluation metrics were computed for the proposed strategies, and diagnostic results were generated for normal and established Alzheimer’s cases. Individuals with mild cognitive impairment were also evaluated. Finally, the results of the current study were compared to those from other studies.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Elétrica (FT ENE)
Informações adicionais: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023.
Programa de pós-graduação: Programa de Pós-Graduação em Engenharia Elétrica
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.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.