Abstract:
|
[ES] La enfermedad de Alzheimer (EA) es una de las enfermedades neurodegenerativas que mayor prevalencia presenta en la población de edad avanzada. A pesar de que la etiología aún es desconocida, un diagnóstico precoz es ...[+]
[ES] La enfermedad de Alzheimer (EA) es una de las enfermedades neurodegenerativas que mayor prevalencia presenta en la población de edad avanzada. A pesar de que la etiología aún es desconocida, un diagnóstico precoz es fundamental para poder retrasar el avance de la enfermedad y mejorar los tratamientos. Actualmente, existen numerosas investigaciones que buscan nuevas pruebas diagnósticas más robustas y precoces. De entre ellas, las nuevas técnicas de imagen médica, como la superresolución, unidas a los avances en el campo del aprendizaje automático, concretamente del Deep Learning, han resultado ser un punto de inflexión en el diagnóstico precoz de la EA.
En el siguiente trabajo se propone un método de superresolución y clasificación de imágenes de Resonancia Magnética (IRM) basado en redes neuronales artificiales. Inicialmente se dispone de un conjunto de volúmenes IRM de la región del hipocampo pertenecientes a sujetos que han sido etiquetadas en dos clases: sanos o EA. El desarrollo del proyecto se ha dividido en dos fases claramente diferenciadas: fase de superresolución y fase de clasificación. En la primera fase se han desarrollado y entrenado dos redes neuronales convolucionales o CNN que transforman las imágenes de baja resolución potenciadas en T1 a imágenes de superresolución potenciadas en T1 y T2. En la segunda fase, a partir de las imágenes generadas por las primeras redes y sus correspondientes etiquetas, se ha diseñado y entrenado una segunda red neuronal de clasificación que extrae las características de las imágenes de modalidad T1 y T2, y clasifica al sujeto como sano o con EA.
Los resultados obtenidos tras la validación del método muestran el gran potencial de las redes neuronales artificiales en las tareas de extracción de características y clasificación. Asimismo, el trabajo demuestra que las técnicas de Deep Learning suponen un importante avance, no solo en el estudio de nuevas pruebas y criterios diagnósticos de la EA, sino también en el desarrollo de sistemas de ayuda al diagnóstico y a la toma de decisiones clínicas.
[-]
[EN] Alzheimer's disease (AD) is one of the most prevalent neurodegenerative diseases in the elderly population. Although the aetiology is still unknown, early diagnosis is essential in order to delay the progression of ...[+]
[EN] Alzheimer's disease (AD) is one of the most prevalent neurodegenerative diseases in the elderly population. Although the aetiology is still unknown, early diagnosis is essential in order to delay the progression of the disease and improve treatments. Currently, there is a great deal of research looking for new, more robust and earlier diagnostic tests. Among them, new medical imaging techniques, such as superresolution, together with advances in the field of automatic learning, specifically Deep Learning, have proved to be a turning point in the early diagnosis of AD.
The following work proposes a method of superresolution and classification of Magnetic Resonance images (MRI) based on artificial neural networks. Initially, a set of MRI volumes of the hippocampus region are available for subjects that have been tagged in two classes: healthy or AD. The development of the project has been divided into two clearly defined phases: the superresolution phase and the classification phase. In the first phase, two convolutional neural networks or CNN have been developed and trained to transform low resolution T1 enhanced images to T1 and T2 enhanced superresolution images. In the second phase, from the images generated by the first networks and its labels, a second neural network has been designed and trained to extract the characteristics of the T1 and T2 modality images from a subject, and to classify the subject as healthy or with AD.
The results obtained after the validation of the method show the great potential of neural networks in feature extraction and classification tasks. In addition, the work shows that Deep Learning techniques represent an important advance, not only in the study of new tests and diagnostic criteria for AD, but also in the development of diagnosis and clinical decision suport systems.
[-]
|