| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 2.46 MB | Adobe PDF |
Advisor(s)
Abstract(s)
A doença de Parkinson consiste num distúrbio neurológico que afeta cerca de 1% da população mundial. Esta doença tem origem na degeneração da substância nigra, uma porção do cérebro localizada no mesencéfalo. Sendo que os neurónios nesta região do cérebro estão revestidos por um pigmento rico em neuromelanina, com elevado teor de ferro, é possível assim a visualização da substância nigra em imagens de Ressonância Magnética. A deteção de doenças com recurso a inteligência artificial tem sido uma área de estudo com elevada relevância científica e aplicada nos últimos anos. Nesse contexto, este trabalho tem como objetivo identificar a combinação de arquitetura de Deep Learning e ponderação de ressonância magnética utilizadas nos protocolos standard que permite alcançar melhor capacidade preditiva na deteção da doença de Parkinson. Para isso foi inicialmente efetuada uma revisão da literatura, a que se seguiu uma avaliação da capacidade preditiva de quatro arquiteturas Deep Learning distintas (LeNet; AlexNet; InceptionNetV3; ResNet50) considerando quatro ponderações de imagem (T1, T2, DP e FLAIR). A arquitetura ResNet50 com a ponderação T2 foi a que apresentou melhores performance preditiva, alcançando resultado considerados ‘muito bons’ (AUC=0,889). Da análise das relações entre valores de erro e idade e género dos utentes, verificou-se ainda a existência de uma relação significativa positiva entre idade e valores de erro para pessoas do género feminino, sugerindo uma maior dificuldade do modelo em efetuar o diagnóstico correto para mulheres de idade mais avançada.
ABSTRACT - Parkinson's disease is a neurological disorder that affects about 1% of the world's population. This disease originates in the degeneration of the substantia nigra, a portion of the brain located in the midbrain. Since neurons in this region of the brain are coated by a pigment-rich in neuromelanin, with a high iron content, it is possible to visualize the substantia nigra on MRI images. The detection of diseases using artificial intelligence has been an area of study with high scientific and applied relevance in recent years. In this context, this work aims to identify the combination of Deep Learning architecture and MRI weighting used in standard protocols that allow for achieving better predictive ability in the detection of Parkinson's disease. To this end, a literature review was initially performed, followed by an evaluation of the predictive ability of four different Deep Learning architectures (LeNet; AlexNet; InceptionNetV3; ResNet50) considering four image weightings (T1, T2, DP, and FLAIR). The ResNet50 architecture with T2 weighting was the one that presented the best predictive performance, achieving results considered as 'very good' (AUC=0.889). From the analysis of the relationships between error values and the age and gender of patients, there was also a significant positive relationship between age and error values for females, suggesting the greater difficulty of the model in making the correct diagnosis for older women.
ABSTRACT - Parkinson's disease is a neurological disorder that affects about 1% of the world's population. This disease originates in the degeneration of the substantia nigra, a portion of the brain located in the midbrain. Since neurons in this region of the brain are coated by a pigment-rich in neuromelanin, with a high iron content, it is possible to visualize the substantia nigra on MRI images. The detection of diseases using artificial intelligence has been an area of study with high scientific and applied relevance in recent years. In this context, this work aims to identify the combination of Deep Learning architecture and MRI weighting used in standard protocols that allow for achieving better predictive ability in the detection of Parkinson's disease. To this end, a literature review was initially performed, followed by an evaluation of the predictive ability of four different Deep Learning architectures (LeNet; AlexNet; InceptionNetV3; ResNet50) considering four image weightings (T1, T2, DP, and FLAIR). The ResNet50 architecture with T2 weighting was the one that presented the best predictive performance, achieving results considered as 'very good' (AUC=0.889). From the analysis of the relationships between error values and the age and gender of patients, there was also a significant positive relationship between age and error values for females, suggesting the greater difficulty of the model in making the correct diagnosis for older women.
Description
Mestrado em Radiações Aplicadas às Tecnologias da Saúde – Área de especialização: Imagem por Ressonância
Magnética
Keywords
Ressonância magnética Deep Learning Doença de Parkinson Processo neurodegenerativo Magnetic resonance Parkinson disease Neurodegeneration process MRI
Citation
Capinha MA. Deteção precoce da doença de Parkinson com recurso a imagens de ressonância magnética e algoritmos de classificação Deep Learning [dissertation]. Lisboa: Escola Superior de Tecnologia da Saúde de Lisboa/Instituto Politécnico de Lisboa; 2022.
Publisher
Instituto Politécnico de Lisboa, Escola Superior de Tecnologia da Saúde de Lisboa