Detección de la enfermedad de Alzheimer y demencia a partir de datos de resonancia magnética cerebral 3D mediante redes neuronales convolucionales profundas

Introducción

La enfermedad de Alzheimer es la más común de los tipos de demencia. Algunos de los síntomas que se presentan son pérdida de memoria, problemas para recordar palabras, inconvenientes para hacer actividades diarias, cambios de personalidad, y más. Por el momento no existe una cura para una gran parte de los tipos de demencia, pero sí se dispone de tratamientos y asesoría.

Las redes neuronales convolucionales son útiles por su función de automatizar sin requerir la extracción manual de elementos. Esto se debe a que un filtro convoluciona las imágenes con cada píxel y selecciona de forma automática los elementos. Por otra parte, las imágenes de resonancia magnética (MRI por sus siglas en inglés) en 3D son complejas y tardadas. No obstante, con la unificación de los cortes de imágenes 2D se puede formar una en 3D. Por ende, en este artículo se presenta una red neuronal convolucional profunda para la detección del Alzheimer y demencia partiendo de una MRI 3D.

Metodología

Se utilizaron datos de OASIS de resonancias magnéticas cerebrales transversales con un grupo de datos de 416 pacientes que presentaron un diagnóstico de demencia leve, severa y sin demencia. Considerando el CDR, si su valoración era mayor que cero el paciente presentaba Alzheimer. Si era cero no la tenía. Debido a que la enfermedad incide en su mayoría en la materia gris del cerebro, en el preprocesamiento se dividió la imagen en materia blanca y gris.

Estructura de la red neuronal

Se segmentó la estructura de la red en 6 capas. La primera se determinó como la capa convolucional, donde se realizó un filtrado y mapeo de las características. La segunda fue de reserva para una función de reducción. Después, se agregó una convolución y un pool para hacer la misma función. En la siguiente, se utilizó una capa conectada con un dropout del 80%. La quinta correspondió a una capa densa, donde previamente se generaron 64 mapas de elementos. Finalmente, la última capa fue la de salida, constituida por dos neuronas representando una matriz que señala si hay o no Alzheimer. Cabe decir que para la optimización de la red, se usó el Adam Optimizer con proporción de aprendizaje de 0,001.

Resultados y conclusiones

El modelo se entrenó con la GPU de Floydhub y arrojó una precisión del 80,25%. Los gráficos obtenidos indicaron que con un entrenamiento mayor se puede incrementar la precisión de manera significativa.

Se destaca la importancia de mejorar el método propuesto que se puede extender en la detección de otras enfermedades a parte del Alzheimer y la demencia, como el diagnóstico de insuficiencias cardíacas, tumores cerebrales y cáncer de mama.

Traducido y adaptado de: H. M. T. Ullah, Z. Onik, R. Islam and D. Nandi, «Alzheimer’s Disease and Dementia Detection from 3D Brain MRI Data Using Deep Convolutional Neural Networks,» 2018 3rd International Conference for Convergence in Technology (I2CT), 2018, pp. 1-3, doi: 10.1109/I2CT.2018.8529808