Modelo baseado em rede neural Extreme Learning Machine para diagnóstico precoce da Doença de Alzheimer

##plugins.themes.bootstrap3.article.main##

Iago Richard Rodrigues Silva
Roberta Andrade de Araújo Fagundes
Wellington Pinheiro dos Santos

Resumo

A doença de Alzheimer é uma das doenças neurodegenerativas mais comuns que afetam os idosos devido às alterações que ocorrem no cérebro, ocasionando diretamente a diminuição na capacidade cognitiva e memória do indivíduo. Estudos comprovam que a presença da doença de Alzheimer em um indivíduo está diretamente associada a diversas características, como a atrofia da região do hipocampo (KANDEL, 2014), isto pode ser detectado através de análise de especialista em exames de imagem, como ressonância magnética. Atualmente diversas técnicas de Inteligência Computacional têm sido utilizadas com a finalidade de classificação e diagnóstico da doença de Alzheimer. Quando o estudo de caso se trata de aplicações do mundo real, como é o caso de diagnóstico da doença de Alzheimer, é necessário que o algoritmo responsável pelo treinamento seja rápido e proporcione acurácias mais precisas, facilitando o trabalho para o especialista da área. As Redes Neurais Extreme Learning Machine (ELM) podem alcançar uma alta acurácia e uma boa eficiência no tempo de treinamento (HUANG, 2004). Sua arquitetura com apenas uma camada escondida e pesos das camadas sendo fixados definidos aleatoriamente, proporcionam uma maior rapidez no tempo de treinamento. A proposta de utilização de redes ELM para classificação e diagnóstico da doença de Alzheimer é um ponto em aberto na literatura e que é alvo de investigação neste trabalho, além disso o algoritmo possui poucos parâmetros para ajuste, sendo ótimo para aplicações do mundo real. Diante desse contexto, este trabalho objetiva a investigação, aplicação e análise da rede neural Extreme Learning Machine (ELM) para classificação e diagnóstico da doença de Alzheimer. A base de dados utilizada neste trabalho é a coleção de Ressonância Magnética da Alzheimer’s Disease Neuroimaging Initiative (ADNI), que contém dados de pacientes nos seguintes estados: (I) saudáveis, (II) com perda cognitiva leve, e (III) com Alzheimer. Das imagens de entrada de cada paciente serão selecionadas as fatias correspondentes à região do cérebro. O método de Haralick (HARALICK et al., 1973) é aplicado para de extração de texturas, sendo possível obter propriedades quantificáveis de determinadas formas presentes em uma imagem, sendo estes dados utilizados para entrada da Rede Neural, após uma seleção de características utilizando o algoritmo Principal Components Analysis (PCA). Após a execução da rede ELM nos dados, serão coletados os resultados e aplicados testes de hipótese a fim de ratificar que o modelo proposto apresenta resultados competitivos se comparados aos atualmente obtidos com outros modelos de redes neurais, proporcionando avanços e contribuições na literatura no campo de diagnóstico de Alzheimer e também na área de Ciência da Computação.

Downloads

Não há dados estatísticos.

##plugins.themes.bootstrap3.article.details##

Seção
Engenharia da Computação e Sistemas
Biografia do Autor

Iago Richard Rodrigues Silva, Universidade de Pernambuco

Possui graduação em Sistemas de Informação pela Universidade de Pernambuco (2016). Atualmente é mestrando em Engenharia da Computação na Universidade de Pernambuco (Poli/UPE). Tem experiência em pesquisa na área de Ciência da Computação e Sistemas de Informação, com ênfase em desenvolvimento de sistemas. Áreas de Interesse: Reconhecimento de Padrões, Inteligência Computacional, Processamento Digital de Imagens e Visão Computacional, ambos os temas aplicados à análise de Imagens Médicas para auxílio em diagnósticos.

Referências

HARALICK, R.; SHANMUGAM, K. Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, v. 3, n. 6, p. 610-621, 1973.

HUANG, Guang-Bin; ZHU, Qin-Yu; SIEW, Chee-Kheong. Extreme learning machine: a new learning scheme of feedforward neural networks. In: Neural Networks, 2004. Proceedings. 2004 IEEE International Joint Conference on. IEEE, 2004. p. 985-990.

KANDEL, E.; SCHWARTZ, J.; JESSELL, T.; SIEGELBAUM, S.; HUDSPETH, A. J. Princípios de Neurociências. 5 ed. AMGH Editora, 2014.