Campo DC | Valor | Idioma |
dc.contributor.advisor | Nascimento, Francisco Assis de Oliveira | pt_BR |
dc.contributor.author | Saraiva Junior, Raimundo Guimarães | pt_BR |
dc.date.accessioned | 2024-04-23T19:43:22Z | - |
dc.date.available | 2024-04-23T19:43:22Z | - |
dc.date.issued | 2024-04-23 | - |
dc.date.submitted | 2023-12-15 | - |
dc.identifier.citation | SARAIVA JUNIOR, Raimundo Guimarães.Inteligência computacional no apoio ao diagnóstico da doença de Alzheimer. 2023. xiii,129 f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2023. | pt_BR |
dc.identifier.uri | http://repositorio2.unb.br/jspui/handle/10482/48094 | - |
dc.description | Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, Programa de Pós-Graduação em Engenharia Elétrica, 2023. | pt_BR |
dc.description.abstract | O diagnóstico preciso da doença de Alzheimer ainda é um campo aberto para a ciência,
tendo em vista se tratar de uma doença multifatorial e com difícil identificação das causas. As
demências estão cada vez mais presentes na população mundial, que experimenta um aumento
significativo na expectativa de vida, o que explica, em parte, o aumento do diagnóstico de
Alzheimer, que é o tipo de demência mais frequente. A decadência neurológica faz parte
do processo natural do envelhecimento, mas a doença de Alzheimer acelera o processo de
degeneração neurológica, trazendo grandes transtornos ao paciente e seus familiares, onerando
os serviços públicos de saúde e causando óbitos precoces.
Nesse contexto, este trabalho investiga técnicas de inteligência artificial que busquem
auxiliar no diagnóstico da doença de Alzheimer, utilizando dados de natureza clínica e imagens
de ressonância magnética. Mediante licenciamento para utilização, foram buscadas informações
primárias nos estudos científicos Australian Imaging, Biomarker & Lifestyle Flagship Study of
Ageing (AIBL), Alzheimers Disease Neuroimaging Initiative (ADNI) e no Open Access Series of
Imaging Studies (OASIS). Para tratamento dos dados clínicos, foi proposto um novo método de
seleção de atributos, foram criadas bases de dados reduzidas e fez-se a avaliação por modelos de
classificação de aprendizado de máquina, tendo atingido a acurácia de 99,81% no diagnóstico do
Alzheimer para os dados ADNI. Também foi investigado o uso de imagens obtidas em exames
de ressonância magnética. Foram propostas diferentes estratégias de construção de um banco
de imagens adequadas para a aplicação de técnicas de aprendizado profundo, tendo atingido
a acurácia de 99,3% no diagnóstico do Alzheimer para os dados ADNI. Métricas de avaliação
foram computadas sobre as estratégias propostas, e resultados de diagnóstico foram obtidos
para os casos de indivíduo normal e com Alzheimer estabelecido. Também foi avaliado o caso
de indivíduos com comprometimento cognitivo leve. Como parte da avaliação de desempenho,
os resultados alcançados foram comparados com os resultados obtidos em outros trabalhos de
pesquisa disponíveis na literatura. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.title | Inteligência computacional no apoio ao diagnóstico da doença de Alzheimer | pt_BR |
dc.type | Tese | pt_BR |
dc.subject.keyword | Alzheimer, Doença de | pt_BR |
dc.subject.keyword | Aprendizado de máquina | pt_BR |
dc.subject.keyword | Alzheimer, Doença de - diagnóstico | pt_BR |
dc.subject.keyword | Aprendizagem profunda | pt_BR |
dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
dc.description.abstract1 | Accurate diagnosis of Alzheimer’s disease remains difficult because of the complexity of the
disease and its similarity to other forms of dementia. The prevalence of dementia, and its
most common form Alzheimer’s, is increasing worldwide, partly due to increasing longevity.
While neurological deterioration is a normal part of aging, Alzheimer’s accelerates this
process, straining public health services, leading to early mortality, and generating tremendous
challenges for patients and their families.
We used clinical data and magnetic resonance images to investigate artificial intelligence
techniques that could assist in Alzheimer’s disease diagnosis. Primary information was obtained
from the Australian Imaging, the Biomarker & Lifestyle Flagship Study of Ageing (AIBL), the
Alzheimer’s Disease Neuroimaging Initiative (ADNI), and the Open Access Series of Imaging
Studies (OASIS). To process these clinical data, we developed a new feature selection method,
created reduced databases, evaluated the data via machine learning classification models and
achieved 99.81% accuracy in diagnosing Alzheimer’s for ADNI data. MRI images were also
investigated. Different strategies were proposed for building an image dataset suitable for
deep learning techniques and achieved 99.3% accuracy in diagnosing Alzheimer’s for ADNI
data. Evaluation metrics were computed for the proposed strategies, and diagnostic results
were generated for normal and established Alzheimer’s cases. Individuals with mild cognitive
impairment were also evaluated. Finally, the results of the current study were compared to
those from other studies. | pt_BR |
dc.description.unidade | Faculdade de Tecnologia (FT) | pt_BR |
dc.description.unidade | Departamento de Engenharia Elétrica (FT ENE) | pt_BR |
dc.description.ppg | Programa de Pós-Graduação em Engenharia Elétrica | pt_BR |
Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|