Predicción del diagnóstico de la enfermedad de Alzheimer mediante deep-learning en imágenes 18F-FDG PET

Solanas Sanz, David
Hernández Giménez, Mónica (dir.) ; Mayordomo Cámara, Elvira (dir.)

Universidad de Zaragoza, EINA, 2020
Departamento de Informática e Ingeniería de Sistemas, Área de Lenguajes y Sistemas Informáticos

Graduado en Ingeniería Informática

Resumen: La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta
a más de 50 millones de personas en todo el mundo. Es la forma más común de
demencia, con un 60-70% de los casos. Actualmente no existe una cura efectiva para
ella, aunque sí existen algunos tratamientos que pueden ser eficaces si se aplican en
las fases tempranas de la enfermedad, permitiendo retrasar su evolución. Por ello, un
diagnóstico preciso y con suficiente antelación es fundamental para poder tomar
medidas preventivas. El gran auge del deep-learning en los últimos años ha permitido
el desarrollo de diferentes sistemas de predicción que ayuden al diagnóstico de la
enfermedad de Alzheimer a partir de imágenes cerebrales.
El principal objetivo de este Trabajo de Fin de Grado es el desarrollo de un
sistema de aprendizaje profundo basado en redes neuronales convolucionales que, a
partir de imágenes 18F-FDG PET del cerebro sea capaz de predecir el diagnóstico final
entre pacientes enfermos (AD), con deterioro cognitivo leve (MCI) o cognitivamente
normales (CN). La obtención de las imágenes para el entrenamiento y test de la red se
han obtenido del repositorio de la Alzheimer's Disease Neuroimaging Initiative (ADNI).
Se han desarrollado dos sistemas con dos arquitecturas diferentes: la original
propuesta en (Ding et al., ,2019) y una mejora posterior de la misma propuesta en la literatura en un
contexto diferente. Las imágenes utilizadas son 3D mientras que las arquitecturas
utilizadas se basan en convoluciones 2D. Por este motivo, las imágenes de 18F-FDG PET
han sido preprocesadas antes de ser cargadas en la red. Para el entrenamiento de los
sistemas se ha hecho uso de las técnicas de transfer-learning y fine-tuning. La
implementación del sistema y el preprocesado de las imágenes se ha realizado en
Python 3.6.9, mediante el uso de las librerías de Keras (versión 2.2.4) y TensorFlow
(versión 1.12.0). El entrenamiento y test de la red se ha realizado sobre una tarjeta
gráfica Titan RTX de 24 GBs de VRAM.
Los experimentos realizados muestran que, ambos sistemas desarrollados
pueden llegar a predecir AD hasta 66 meses (5 años y medio) antes del diagnóstico
final. El sistema basado en la arquitectura propuesta en (Ding et al., ,2019) es capaz de predecir el
diagnóstico final de Alzheimer con una precisión del 77.0% y un AUC de 0.84. Se ha
encontrado que el sistema entrenado con los pacientes de AD y CN es capaz de
diagnosticar la enfermedad con una precisión del 87.5% y un AUC de 0.97 y se ha
analizado cómo afecta en el rendimiento del sistema la introducción de datos de
pacientes con MCI. Con la arquitectura más moderna se ha conseguido mejorar los
resultados con una precisión de 84.6% y un AUC de 0.89 en la predicción del
diagnóstico final de Alzheimer. Finalmente, se han realizado distintos análisis de las
redes neuronales convolucionales desarrolladas para comprender los puntos fuertes y
débiles de los modelos obtenidos.

Tipo de Trabajo Académico: Trabajo Fin de Grado