Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/27823
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_ThiagoGomesBezerra_GabrielSantosAraujo_tcc.pdf2,44 MBAdobe PDFver/abrir
Título: Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral
Autor(es): Bezerra, Thiago Gomes de Sousa
Araújo, Gabriel Santos Silva
Orientador(es): Ferreira, Renan Utida
Assunto: Esquizofrenia
Redes neurais (Computação)
Algoritmos
Aprendizagem
Doenças mentais - diagnóstico
Diagnóstico por imagem
Processamento de imagens
Data de apresentação: 28-Mai-2021
Data de publicação: 25-Jun-2021
Referência: BEZERRA, Thiago Gomes de Sousa, ARAÚJO, Gabriel Santos Silva. Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral. 2021. 83 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Eletrônica)—Universidade de Brasília, Brasília, 2021.
Resumo: A esquizofrenia é uma doença psiquiátrica crônica de difícil compreensão que perturba e desabilita cerca de 1% da população mundial, o que pode tornar o paciente dependente da ajuda de terceiros para tarefas cotidianas devido aos seus sintomas, caso não ocorra o devido tratamento. Em muitos casos estes sintomas não evidenciam o diagnóstico da doença, o que o torna difícil. Uma alternativa é a análise morfológica do cérebro, através de diferenças perceptíveis nas regiões cerebrais de pacientes portadores de esquizofrenia comparados a indivíduos saudáveis. Neste contexto, busca-se analisar métodos de classificação automática, com arquitetura de redes neurais convolucionais, para distinguir pacientes portadores de esquizofrenia de pacientes saudáveis por meio de imagens de ressonância magnética. Na literatura, existem diversas arquiteturas de redes neurais disponíveis para estudo. Porém, por apresentarem aplicações com imagens de ressonância magnética, além de bons resultados e com a maior disponibilidade de informações para a reprodutibilidade, como as etapas de pré-processamento e parâmetros de treinamento das redes, as redes exploradas foram as arquiteturas FayNet e ResNet, com as imagens disponibilizadas pelo banco de dados virtual SchizConnect. Em uma primeira etapa foi realizado o pré-processamento das imagens com o software Clínica, aplicando-se a técnica de processamento de dados t1-linear, que realiza uma normalização MNI para padronização das imagens para posteriormente utilizar a biblioteca Nilearn e então obter os cortes das imagens. Os cortes 15 e 20 foram selecionados das imagens tridimensionais normalizadas. As redes foram implementadas e validadas por métricas de desempenho e k-fold (com k = 7), obtendo uma acurácia de 80,0% ±2,29% e F2-score de 80,0% ±2,40% , para o modelo FayNet, acurácia de 85,2% ±2,47% e F2-score de 85,4% ±0,03% na arquitetura criada baseado na ResNet18. Com o intuito de buscar melhorias na acurácia de classificação, a FayNet foi modificada, objetivando-se aumentar o desempenho da rede, dando origem assim a Faynet 2.0 que obteve uma acurácia de 88,7% ±4,07% e F2-score de 85,7 ±3,40%.
Abstract: Schizophrenia is a chronic psychiatric disease that is difficult to understand and that disturbs and disables about 1% of the world population, which can make the patient dependent on the help of others for daily tasks due to their symptoms, if the proper treatment is not followed. . In many cases, these symptoms do not show the diagnosis of the disease, which makes it difficult. An alternative is the morphological analysis of the brain, through noticeable differences in the brain regions of patients with schizophrenia compared to healthy individuals. In this context, we seek to analyze automatic classification methods, with convolutional neural network architecture, to distinguish patients with schizophrenia from healthy patients through magnetic resonance images. In the literature, there are several architectures of neural networks available for study, however, for presenting applications with magnetic resonance images, in addition to good results with greater availability of information for reproducibility, such as the pre-processing steps and training parameters of the networks . The networks explored were the FayNet and ResNet architectures, with the images made available by the virtual database SchizConnect. In a first step, the images were pre-processed with the software Clínica, applying the pipeline t1-linear, which performs an MNI normalization for standardizing the images and later using a Nilearn library and then get the image slices. Cuts 15 and 20 were selected from normalized three-dimensional images. The networks were implemented and validated by performance metrics and k-fold (with k = 7), obtaining an accuracy of 80.0% ±2.29% and F2-score of 80.0% ±2.40% , for the FayNet model, accuracy of 85.2% ±2.47% and F2- score of 85.4% ±0.03% in the architecture created based on ResNet18. In order to improve the accuracy of classification, FayNet was modified, aiming to increase the performance of the network, thus giving rise to Faynet 2.0 which obtained an accuracy of 88.7% ±4.07 % and F2-score of 85.7 ±3.40%.
Informações adicionais: Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, Engenharia Eletrônica, 2021.
Licença: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.
Aparece na Coleção:Engenharia Eletrônica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.