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

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorMedeiros, Dianne Scherly Varela de-
Autor(es): dc.contributorFerreira, Tadeu Nagashima-
Autor(es): dc.contributorOliveira, Nicollas Rodrigues de-
Autor(es): dc.creatorVieira, Matheus Henrique da Silva-
Autor(es): dc.creatorSantos, Nathalia Cuciniello dos-
Data de aceite: dc.date.accessioned2024-07-11T18:21:40Z-
Data de disponibilização: dc.date.available2024-07-11T18:21:40Z-
Data de envio: dc.date.issued2022-02-09-
Data de envio: dc.date.issued2022-02-09-
Data de envio: dc.date.issued2021-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/24543-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/769023-
Descrição: dc.descriptionNo 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-
Descrição: dc.descriptionAt the most advanced stage of Alzheimer’s disease, the debilitated patient becomes unable to perform his daily tasks. In order to delay the progressive effect of the disease and to provide a better quality of life to the patient, the diagnosis of the disease must be made early. However, even for the specialist doctor, it is difficult to diagnose the disease only with Magnetic Resonance Imaging (MRI) or Computed Tomography (CT) exams. Thus, the objective of this work is to create a mechanism that assists in the pre-diagnosis of Alzheimer’s disease. To this end, a classifier based on Artificial Neural Networks is developed to distinguish severity levels of Alzheimer’s disease. The purpose of this work is to create a unique classifier from the composition of three binary classifiers, using the Choquet integral to unify models and the average or mode to combine the unified result. The final classifier distinguishes between mild, very mild and nondemented severities. Each binary classifier differentiates a distinct combination of these severity levels. The structure of binary classifiers relies on the composition of convolutional and multilayer neural networks. RMI exams images are used as convolutional network input. To obtain a satisfactory model for binary classifiers, the neural network is trained with different structures, varying hyperparameters and verifying its influence on classifier performance. The results show that the hyperparameters batch, learning rate, and number of blocks more significantly influence the performance of binary classifiers. In addition, the best results for the final classifier are obtained using non-optimal models of binary classifiers. The proposed final classifier presents 54% of hit for the mild, 51% for very mild and 52% for nondemented-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Federal Fluminense-
Publicador: dc.publisherNiterói-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectIntegral de Choquet-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectDoença de Alzheimer-
Palavras-chave: dc.subjectInteligência artificial-
Palavras-chave: dc.subjectRede neural artificial-
Palavras-chave: dc.subjectAlzheimer’s disease-
Palavras-chave: dc.subjectArtificial intelligence-
Palavras-chave: dc.subjectArtificial neural network-
Palavras-chave: dc.subjectChoquet Integral-
Título: dc.titleUm classificador baseado em redes neurais artificiais para pré-diagnóstico de doença de Alzheimer-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.