Dissertação (mestrado)—Universidade de Brasília, Faculdade UnB Gama, Programa de Pós-Graduação em Engenharia Biomédica, 2018. / A esquizofrenia é uma transtorno psíquico grave que afeta cerca de 1% da população mundial, e seu diagnóstico é realizado por um médico especializado baseando-se no Manual do Diagnóstico e Estatístico de Transtornos Mentais DSM-5. Contudo, este tipo de diagnóstico geralmente acontece de forma tardia e diminuindo as chances de tratamento. Diante da complexidade do diagnóstico clássico da esquizofrenia apresentado pelo manual e da descoberta de mudanças anatômicas em áreas do cérebro existentes em pacientes com a doença, estudos recentes que utilizaram as características anatômicas para classificação obtiveram resultados promissores. Apesar de mostrarem-se promissores, apenas algumas regiões do cérebro foram utilizadas para classificação, porém, a esquizofrenia apresenta alterações anatômicas em diversas áreas, não havendo um padrão de escolha definitivo para o problema. Por outro lado, houve avanços em técnicas de aprendizado de máquina como o Aprendizado Profundo (do inglês, deep learning). Nestas técnicas não há a necessidade da escolha de características para a classificação do estudo, em outras palavras, sendo uma técnica em que as estruturas aprendem as melhores características que descrevem o problema de forma automática, diferentemente de técnicas clássicas de classificação como a SVM (do inglês, Support Vector Machine), em que existe a necessidade da escolha destas características como forma de entrada. Neste contexto, a pesquisa propõe a aplicação de uma técnica de deep learning chamada Rede Neural Convolucional (CNN, do inglês Convolutional Neural Network ) para classificação automática de imagens de ressonância magnética estrutural do cérebro e diagnóstico da esquizofrenia, além de realizar a extração das características aprendidas no treinamento para utilização em outros classificadores clássicos para comparação. O método proposto consiste no desenvolvimento de uma estrutura convolucional baseada em CNN, produzindo métricas de desempenho como precisão, acurácia e sensibilidade relativos ao diagnóstico. Foi utilizado um banco de dados de MRI do encéfalo humano ponderadas em T2 de 87 indivíduos diagnosticados previamente com esquizofrenia e 85 indivíduos saudáveis de controle. O estudo ainda apresenta uma comparação de desempenho relativos ao tamanho da rede convolucional e o tamanho dos filtros utilizados, de modo a apresentar a rede que melhor se adéque ao problema. É realizada ainda uma validação cruzada dos dados, utilizando um método de holdout com reamostragem aleatória com 530 iterações para cada predição e um método de k-fold com k=20, afim de medir e comparar os algoritmos de aprendizado para produzir um resultado mais confiável e reprodutível, estimando o desempenho e normalizando a generalização do sistema. Em cada validação 70% das imagens foram utilizadas para treinamento e 30% para classificação e validação do sistema. Além disso, uma camada de dropout foi introduzida para prevenir a ocorrência de overfitting. Resultados utilizando k-fold apresentam uma acurácia média de 84% para uma rede convolucional de tamanho 3, com camadas de dropout antes e depois da camada de conexão. Portanto, o uso de técnicas de deep learning para auxílio ao diagnóstico de esquizofrenia mostra-se promissor, onde houve um avanço nos resultados previamente obtidos utilizando o mesmo banco de dados. Desta forma evidenciando que com o avanço de técnicas de classificação de imagens, mais próximo será a utilização destes modelos de forma segura para o auxílio ao diagnóstico de doenças. Ainda, a região que maior apresentou interferência e peso para classificação mostrou compatibilidade com a literatura existente. / Schizophrenia is a severe psychiatric disorder that affects about 1% of the world’s population and is diagnosed by a physician based on the Diagnostic and Statistical Manual of Mental Disorders DSM-5. However, this type of diagnosis usually happens belatedly, lowering treatment success. Given the complexity of the classic diagnosis of schizophrenia presented by the manual and the discovery of anatomical changes in areas of the brain existing in patients with the disease, recent studies that used anatomical characteristics for classification have obtained promising results. Although studies are promising, only a few regions of the brain have been used for classification, but schizophrenia has anatomical changes in several areas, and there is no definitive pattern of choice for the problem. On the other hand, there have been advances in machine learning techniques such as deep learning. In these techniques, there is no need to choose characteristics for the classification of the study; in other words, it is a technique which structures learn the best characteristics that describes the problem automatically, unlike the classical techniques of classification such as SVM (Support VectorMachine) which there is a need to choose these features as input. In this context, the research proposes the development of a deep learning technique called the Convolutional Neural Network (CNN) for automatic classification of brain magnetic resonance imaging and diagnosis of schizophrenia, also extracting the learne characteristics in training for use in other classical classifiers for comparison. The proposed method consists in developing a trellis structure based on CNN, producing performance metrics such as precision, accuracy and sensitivity for the diagnosis. An MRI database of the human brain T2-weighted of 87 individuals previously diagnosed with schizophrenia and 85 healthy control subjects was used. The study also shows a performance comparison for the size of convolutional network and filter size used to display the network that best describes the problem. A cross-validation of the data is performed, using a holdout method with random subsampling of 530 iterations for each prediction and a k-fold using k=20, in order to measure and compare the learning algorithms to produce a more reliable and reproducible result, estimating the performance and normalizing the generalization of the system. In each validation, 70% of the images were used for training and 30% for system classification and validation. In addition, a dropout layer was introduced to prevent the occurrence of overfitting. Preliminary results have an average accuracy of 84% for a convolutional network of size 3, with dropout layers before and after the connection layer. Therefore, the use of deep learning techniques to aid in the diagnosis of schizophrenia is promising, where there was an improvement in the results previously obtained using the same database, indicating that with the advancement of image classification techniques, the closer will be the use of these models in a safe way for diagnosis of diseases. Also, the region that presented the greatest interference and weight for classification was compatible with the existing literature.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.unb.br:10482/34163 |
| Date | 13 July 2018 |
| Creators | Vergara, Rodrigo Fay |
| Contributors | Miosso, Cristiano Jacques |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UnB, instname:Universidade de Brasília, instacron:UNB |
| Rights | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data., info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds