Classificação de estágios da doença de Alzheimer utilizando redes neurais convolucionais e imagens de ressonância magnética

Abstract

Este trabalho tem como objetivo utilizar Redes Neurais Convolucionais para a classificação dos estágios da Doença de Alzheimer por meio de imagens de ressonância magnética. Foi aplicada a técnica de Transfer Learning, utilizando as arquiteturas pré-treinadas VGG16, VGG19, ResNet50, DenseNet121 e InceptionResNetV2. O estudo investigou o impacto do pré-processamento das imagens na melhoria do desempenho dos modelos, considerando as etapas de segmentação e balanceamento das classes. Os resultados obtidos indicaram que as arquiteturas VGG16, VGG19 e ResNet50 apresentaram os melhores desempenho. O préprocessamento das imagens teve um impacto negativo em todas as arquiteturas utilizadas, gerando uma queda nas métricas de desempenho em relação dos modelos treinados com as imagens brutas. O estudo contribui para a área de diagnóstico precoce da Doença de Alzheimer, destacando a eficácia do Transfer Learning na classificação de imagens médicas.

This work aims to use Convolutional Neural Networks to classify the stages of Alzheimer’s Disease through magnetic resonance imaging. The Transfer Learning technique was applied using pre-trained architectures VGG16, VGG19, ResNet50, DenseNet121, and InceptionResNetV2. The study investigated the impact of image preprocessing on improving model performance, considering segmentation and class balancing steps. The results showed that the VGG16, VGG19, and ResNet50 architectures achieved the best performance. Image preprocessing had a negative impact on all architectures, resulting in a drop in performance metrics compared to models trained with raw images. This study contributes to the early diagnosis of Alzheimer’s Disease, highlighting the effectiveness of Transfer Learning in medical image classification.