Detección de marcadores de deterioro cognitivo en imágenes MRI del cerebro utilizando técnicas de Deep Learning para el diagnóstico temprano del Alzheimer

Abstract

[ES] La enfermedad del Alzheimer es el tipo más común de demencia y está reconocida por la OMS como una prioridad de salud pública. En la actualidad no existe una cura o tratamiento efectivo para combatirlo, es por esto mismo por lo que es muy importante invertir en medios de detección temprana de la enfermedad. En este trabajo se va a realizar un estudio sobre la posibilidad de utilizar mecanismos de inteligencia artificial, en especial deep learning o aprendizaje profundo, para conseguir detectar de forma precoz marcadores de enfermedades neurodegenerativas en imágenes de resonancia magnética (MRI) en 3D. Realizaremos un análisis entre algunos modelos ya propuestos por otros autores y otros modelos propios. Además, se pretende hacer una comparativa entre arquitecturas de redes profundas basadas en convoluciones en 2D (redes convolucionales comunes) y modelos basados en convoluciones 3D. Buscaremos nuevos planteamientos para mejorar los resultados existentes así como métodos para aprovechar al máximo la información contenida en una imagen 3D (volumen MRI) para alimentar un modelo 2D. Para el desarrollo se usará la base de imágenes del ADNI (Alzheimer's Disease Neuroimaging Initiative).

[EN] Alzheimer's disease is the most common type of dementia and is recognized by the WHO as a public health priority. There is currently no cure or effective treatment to combat it, which is why it is so important to invest in early detection of the disease. In this work, a study will be carried out on the possibility of using artificial intelligence mechanisms, especially deep learning, to achieve early detection of neurodegenerative disease markers in 3D magnetic resonance imaging (MRI). We will perform an analysis between some models already proposed by other authors and our own models. In addition, we intend to make a comparison between deep network architectures based on 2D convolutions (common convolutional networks) and models based on 3D convolutions. We will look for new approaches to improve existing results as well as methods to take full advantage of the information contained in a 3D image (MRI volume) to feed a 2D model. The ADNI (Alzheimer's Disease Neuroimaging Initiative) imaging database will be used for the development.