Detecção de Alzheimer com redes neurais convolucionais aplicadas a imagens de ressonância magnética do crânio

Abstract

Apesar dos inúmeros avanços nos campos da medicina realizados nas últimas décadas, a identificação precoce de doenças degenerativas, dentre elas o Alzheimer, ainda é um grande desafio. De maneira formal, o diagnóstico da doença é feito utilizando um conjunto de avaliações clínicas, exames de imagem e testes psiquiátricos, que podem estar sujeitos à falha humana. Neste trabalho, é proposto o desenvolvimento e a avaliação de um modelo baseado em redes neurais convolucionais (CNNs) para a classificação automática de imagens de res sonância magnética (IRM), visando auxiliar no diagnóstico precoce de Alzheimer. Para tanto, foi utilizado um dataset de IRM com 6.400 imagens, aplicando técnicas de pré-processamento (CLAHE e filtragem NLM) e treinamento de duas arquiteturas de CNN: um ensemble hierárquico e uma ResNet18 com Transfer Learning. Os resultados obtidos atingem uma acurácia de 71,38%, precisão de 72,05%, recall de 71,38% e F1-Score de 71,16% para o melhor modelo (ResNet18). A análise via Grad-CAM++ validou que o modelo identifica regiões anatomicamente relevantes, como ventrículos e lobo temporal. Conclui-se que a aplicação de redes neurais profundas representa uma ferramenta promis sora para o auxílio no diagnóstico de Alzheimer, embora a distinção entre estágios iniciais permaneça desafiadora. Como trabalhos futuros, sugere-se a análise específica da métrica entre as classes "Sem Demência"vs. "Muito Leve"e o uso de estratégias para lidar com desbalanceamento de classes, como pesos ajustados, subsampling ou data augmentation mais agressivo.