Sistema de clasificación de los niveles de cognición normal, afectación leve y enfermedad de Alzheimer a partir de imágenes de Resonancia Magnética
Este trabajo de grado implementó dos máquinas de aprendizaje automático para la clasificación de tres niveles de cognición cerebral CN (cognición normal), LMCI (afectación leve cognitiva), y AD (enfermedad de Alzheimer) en imágenes de resonancia magnética del plano sagital en secuencia T1. La base d...
- Autores:
-
Villarejo García, Jaime Andrés
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad del Valle
- Repositorio:
- Repositorio Digital Univalle
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.univalle.edu.co:10893/38170
- Acceso en línea:
- https://hdl.handle.net/10893/38170
- Palabra clave:
- Sistemas de clasificación automática
Imágenes de resonancia magnética
Procesamiento de imágenes
Enfermedad de Alzheimer
Señales biomédicas
Cerebro humano
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
| Summary: | Este trabajo de grado implementó dos máquinas de aprendizaje automático para la clasificación de tres niveles de cognición cerebral CN (cognición normal), LMCI (afectación leve cognitiva), y AD (enfermedad de Alzheimer) en imágenes de resonancia magnética del plano sagital en secuencia T1. La base de datos utilizada fue obtenida desde ADNI (Iniciativa de Neuroimágenes de la Enfermedad de Alzheimer) [1]. Se emplearon dos modelos de clasificación: Random Forest y una red neuronal convolucional VGG-16. Se utilizaron 14 sujetos de cada clase para los datos de entrenamiento y 3 sujetos por clase para los datos de test, obteniendo un total de 3922 y 840 imágenes respectivamente. Para el modelo Random Forest se realizó la extracción de características morfológicas utilizando las técnicas CLAHE para el realce de contraste, un filtrado gaussiano para suavizar las imágenes y el método OTSU para la segmentación del cerebro; también se utilizaron los patrones locales binarios (LBP) y el histograma de gradientes orientados (HOG) como métodos para la extracción de características de forma complementaria. En cuanto a la red neuronal, se basó en la técnica transfer learning haciendo uso de una red convolucional pre-entrenada VGG-16. Para esta red no fue necesario la extracción manual de características debido a que esta red proporciona un total de 14’715.714 parámetros, de las cuales se establecieron 7’080.450 parámetros entrenables. Además, se realizó la clasificación utilizando un modelo en cascada (CN vs AD + LMCI y AD vs LMCI) con el fin de obtener un mejor desempeño. |
|---|