Implementación de un modelo predictive basado en redes neuronales convolucionales 3D en el paso de deterioro cognitivo leve a Alzheimer sobre imágenes por resonancia magnética
Implementation of a 3D Convolutional Neural Network Predictive Model for the Transition from Mild Cognitive Impairment to Alzheimer’s Disease using Magnetic Resonance Imaging (MRI) Images
Barra lateral del artículo
PDF
FLIP
Términos de la licencia (VER)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Declaración del copyright
Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.
La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Licencia
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Contenido principal del artículo
Resumen
La enfermedad del Alzheimer es un trastorno neurológico que causa la pérdida de autonomía y memoria en las personas que la padecen. Debido al aumento de casos de este padecimiento y la falta de precisión de las herramientas de diagnóstico se da paso al desarrollo de nuevas herramientas capaces de disminuir esta problemática. El objetivo principal de este trabajo investigativo es implementar un modelo de red neuronal convolucional tridimensional con estructura base tipo AlexNet3D para obtener la predicción de un posible diagnóstico de la enfermedad Alzheimer (AD) a partir del análisis de imágenes por resonancia magnética, utilizando como etapa temprana el síndrome de deterioro cognitivo leve (MCI). Este proyecto brindará la explicación de cada fase planteada, las cuales fueron dividas en selección de las bases de datos, elección de características, procesamiento de los datos, desarrollo del modelo para su entrenamiento y validación, y por último, resultados obtenidos a partir de las pruebas de predicción. Con las cuales pudo obtenerse un porcentaje del 72,222 %, permitiendo catalogar al modelo K-Net95 como una red estable y eficiente, a pesar de las limitaciones computacionales a las que se vio limitado el proyecto.
Descargas
Detalles del artículo
Referencias (VER)
Ahsan, M. M., Luna, S. A. & Siddique, Z., 2022. Machine-learning-based disease diagnosis: A comprehensive review. Healthcare, 10(3), p. 541. doi: 10.3390/healthcare10030541.
Alom, M. Z., Taha, T. M., Yakopcic, C., Westberg, S., Sidike, P., Nasrin, M. S., Van E., Brian C., Awwal, A. A. S. & Asari, V. K., 2018. The history began from AlexNet: A comprehensive survey on Deep Learning approaches. arXiv [cs.CV]. Available at: http://arxiv.org/abs/1803.01164 (Accessed: 4 November 2023).
Curry Jansen, S., 2021. What was artificial intelligence? mediastudies.press.
Fischl, B., 2012. FreeSurfer. NeuroImage, 62(2), pp. 774–781. doi: 10.1016/j.neuroimage.2012.01.021.
Ghafoori, S. & Shalbaf, A., 2022. Predicting conversion from MCI to AD by integration of rs-fMRI and clinical information using 3D-convolutional neural network. International Journal of Computer Assisted Radiology and Surgery, 17(7), pp. 1245–1255. doi: 10.1007/s11548-022-02620-4.
Goncalves, M. O., 2019. 7 ventajas del diagnóstico temprano en la enfermedad de Alzheimer. Grupo SINAPSIS. Available at: https://www.gsinapsis.com/7-ventajas-del-diagnostico-temprano-en-la-enfermedad-de-alzheimer/ (Accessed: 29 June 2024).
Henschel, L., Conjeti, S., Estrada, S., Diers, K., Fischl, B. & Reuter, M., 2020. FastSurfer - A fast and accurate deep learning based neuroimaging pipeline. NeuroImage, 219, p. 117012. doi: 10.1016/j.neuroimage.2020.117012.
Kataoka, H., Wakamiya, T., Hara, K. & Satoh, Y., 2020. Would Mega-scale Datasets Further Enhance Spatiotemporal 3D CNNs? arXiv [cs.CV]. Available at: http://arxiv.org/abs/2004.04968.
Martínez Llamas, J., 2018. Reconocimiento de imágenes mediante redes neuronales convolucionales. Universidad Politécnica de Madrid.
Milletari, F., Navab, N. & Ahmadi, S.-A., 2016. V-net: Fully convolutional Neural Networks for volumetric medical image segmentation. arXiv [cs.CV]. Available at: http://arxiv.org/abs/1606.04797.
Topol, E. J., 2019. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), pp. 44–56. doi: 10.1038/s41591-018-0300-7.
Velazquez, M. & Lee, Y., 2022. Multimodal ensemble model for Alzheimer’s disease conversion prediction from early mild cognitive impairment subjects. Computers in Biology and Medicine, 151, p. 106201. doi: 10.1016/j.compbiomed.2022.106201.
Weiner, M. W., Veitch, D. P., Aisen, P. S., Beckett, L. A., Cairns, N. J., Green, R. C., Harvey, D., Jack, C. R., Jagust, W., Liu, E., Morris, J. C., Petersen, R. C., Saykin, A. J., Schmidt, M. E., Shaw, L., Siuciak, J. A., Soares, H., Toga, A. W. & Trojanowski, J. Q., 2012. The Alzheimer’s Disease Neuroimaging Initiative: A review of papers published since its inception. Alzheimer’s & Dementia: The Journal of the Alzheimer’s Association, 8(1S), p. S1. doi: 10.1016/j.jalz.2011.09.172.
Zhou, Q., Li, X., He, L., Yang, Y., Cheng, G., Tong, Y., Ma, L. & Tao, D., 2023. TransVOD: End-to-end video object detection with spatial-temporal transformers. IEEE Transactions on Pattern Analysis and Machine Intelligence, 45(6), pp. 7853–7869. doi: 10.1109/TPAMI.2022.3223955.