spaSolanas Sanz, DavidHernández Giménez, MónicaMayordomo Cámara, ElviraPredicción del diagnóstico de la enfermedad de Alzheimer mediante deep-learning en imágenes 18F-FDG PETTAZ-TFG-2020-3453La enfermedad de Alzheimer es una enfermedad neurodegenerativa que afecta<br />a más de 50 millones de personas en todo el mundo. Es la forma más común de<br />demencia, con un 60-70% de los casos. Actualmente no existe una cura efectiva para<br />ella, aunque sí existen algunos tratamientos que pueden ser eficaces si se aplican en<br />las fases tempranas de la enfermedad, permitiendo retrasar su evolución. Por ello, un<br />diagnóstico preciso y con suficiente antelación es fundamental para poder tomar<br />medidas preventivas. El gran auge del deep-learning en los últimos años ha permitido<br />el desarrollo de diferentes sistemas de predicción que ayuden al diagnóstico de la<br />enfermedad de Alzheimer a partir de imágenes cerebrales.<br />El principal objetivo de este Trabajo de Fin de Grado es el desarrollo de un<br />sistema de aprendizaje profundo basado en redes neuronales convolucionales que, a<br />partir de imágenes 18F-FDG PET del cerebro sea capaz de predecir el diagnóstico final<br />entre pacientes enfermos (AD), con deterioro cognitivo leve (MCI) o cognitivamente<br />normales (CN). La obtención de las imágenes para el entrenamiento y test de la red se<br />han obtenido del repositorio de la Alzheimer's Disease Neuroimaging Initiative (ADNI).<br />Se han desarrollado dos sistemas con dos arquitecturas diferentes: la original<br />propuesta en (Ding et al., ,2019) y una mejora posterior de la misma propuesta en la literatura en un<br />contexto diferente. Las imágenes utilizadas son 3D mientras que las arquitecturas<br />utilizadas se basan en convoluciones 2D. Por este motivo, las imágenes de 18F-FDG PET<br />han sido preprocesadas antes de ser cargadas en la red. Para el entrenamiento de los<br />sistemas se ha hecho uso de las técnicas de transfer-learning y fine-tuning. La<br />implementación del sistema y el preprocesado de las imágenes se ha realizado en<br />Python 3.6.9, mediante el uso de las librerías de Keras (versión 2.2.4) y TensorFlow<br />(versión 1.12.0). El entrenamiento y test de la red se ha realizado sobre una tarjeta<br />gráfica Titan RTX de 24 GBs de VRAM.<br />Los experimentos realizados muestran que, ambos sistemas desarrollados<br />pueden llegar a predecir AD hasta 66 meses (5 años y medio) antes del diagnóstico<br />final. El sistema basado en la arquitectura propuesta en (Ding et al., ,2019) es capaz de predecir el<br />diagnóstico final de Alzheimer con una precisión del 77.0% y un AUC de 0.84. Se ha<br />encontrado que el sistema entrenado con los pacientes de AD y CN es capaz de<br />diagnosticar la enfermedad con una precisión del 87.5% y un AUC de 0.97 y se ha<br />analizado cómo afecta en el rendimiento del sistema la introducción de datos de<br />pacientes con MCI. Con la arquitectura más moderna se ha conseguido mejorar los<br />resultados con una precisión de 84.6% y un AUC de 0.89 en la predicción del<br />diagnóstico final de Alzheimer. Finalmente, se han realizado distintos análisis de las<br />redes neuronales convolucionales desarrolladas para comprender los puntos fuertes y<br />débiles de los modelos obtenidos.<br /><br />Universidad de Zaragoza2020http://zaguan.unizar.es/record/96475http://zaguan.unizar.es/record/96475oai:zaguan.unizar.es:96475