Análise comparativa de algoritmos de aprendizado profundo para o auxílio no diagnóstico de esquizofrenia a partir da classificação de MRI cerebral

Abstract

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%.