Diagnóstico da doença de Alzheimer usando autoencoders aplicados a imagens de ressonância magnética

Página do item simplificado
dc.contributor.advisor1Ferrari, Ricardo José
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8460861175344306por
dc.contributor.authorGrivol, Marco Antônio Bernardi
dc.contributor.authorlatteshttp://lattes.cnpq.br/0749876222039041por
dc.date.accessioned2022-04-27T08:07:06Z
dc.date.available2022-04-27T08:07:06Z
dc.date.issued2022-04-14
dc.description.abstractAlzheimer's disease (AD) is a neurodegenerative disease that causes damage associated with memory and thinking, causing a gradual decline in judgment, reasoning and learning. One of the ways to aid in the diagnosis of AD is the analysis of structural magnetic resonance (MR) images of the patient. Recent studies use computer vision, image processing and machine learning techniques to help diagnose AD. This work aims to extract features from MR images with stacked autoencoders and stacked convolutional autoencoders, and classify MR images via XGBoost into cognitively normal (CN) and AD classes. This work also compares Mean Squared Error (MSE) and Structural Similarity Index (SSIM) metrics as loss functions in autoencoders.eng
dc.description.resumoA doença de Alzheimer (DA) é uma doença neurodegenerativa que causa danos associados à memória e pensamento, acarretando declínio gradual da capacidade de julgamento, raciocínio e aprendizagem. Uma das formas de auxílio ao diagnóstico da DA é a análise de imagens estruturais de ressonância magnética (RM) do paciente. Estudos recentes utilizam técnicas de visão computacional, processamento de imagens e aprendizado de máquina com o objetivo de auxiliar o diagnóstico da DA. Este trabalho tem como objetivo a extração de características de imagens de RM com autoencoders empilhados e autoencoders convolucionais empilhados, e a classificação das imagens de RM via XGBoost nas classes cognitivamente normal (CN) e DA. Este trabalho também compara as métricas Mean Squared Error (MSE) e Structural Similarity Index (SSIM) como funções de perda nos autoencoders.por
dc.description.sponsorshipNão recebi financiamentopor
dc.identifier.citationGRIVOL, Marco Antônio Bernardi. Diagnóstico da doença de Alzheimer usando autoencoders aplicados a imagens de ressonância magnética. 2022. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de São Carlos, São Carlos, 2022. Disponível em: https://repositorio.ufscar.br/handle/20.500.14289/15935.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/20.500.14289/15935
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.publisher.addressCâmpus São Carlospor
dc.publisher.courseCiência da Computação - CCpor
dc.publisher.initialsUFSCarpor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectAlzheimerpor
dc.subjectImagens de ressonância magnéticapor
dc.subjectHipocampopor
dc.subjectAutoencoderseng
dc.subjectAlzheimer's diseaseeng
dc.subjectMagnetic resonance imageseng
dc.subjectXGBoosteng
dc.subjectHippocampuseng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAOpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.subject.cnpqENGENHARIAS::ENGENHARIA BIOMEDICA::ENGENHARIA MEDICApor
dc.titleDiagnóstico da doença de Alzheimer usando autoencoders aplicados a imagens de ressonância magnéticapor
dc.title.alternativeDiagnosis of Alzheimer's disease using autoencoders applied to magnetic resonance imageseng
dc.typeTCCpor

Arquivos

Pacote Original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TCC - Marco Antonio Bernardi Grivol - Final.pdf
Tamanho:
5.8 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar

Coleções

TCC