Evaluación de algoritmos de computación evolutiva para el entrenamiento de redes de neuronas artificiales, aplicada a la detección temprana de Alzheimer

Estado: 
Número de proyecto: 
834-B9-094
Vigencia:
De 01/Mar/2019 hasta 29/Feb/2020

Objetivo:

Medir el efecto del entrenamiento por computación evolutiva en la exactitud de redes de neuronas profundas diseñadas para la detección de la enfermedad de Alzheimer en imágenes de resonancia magnética.


Descripción:

Esta investigación pretende comparar el desempeño de las redes de neuronas artificiales profundas entrenadas por neuroevolución y las mismas redes de neuronas entrenadas por retropropagación.

Se hará mediante el uso de algoritmos de computación evolutiva utilizados por otros autores en redes artificiales de neuronas clásicas. El dominio de aplicación será visión por computador en imágenes médicas, en particular, imágenes de resonancia
magnética.

En particular, nuestra pregunta de investigación es, ¿Cuál es el efecto del entrenamiento por computación evolutiva en la exactitud de redes de neuronas profundas diseñadas para la detección de la enfermedad de Alzheimer en imágenes de resonancia magnética?

Impacto del proyecto

Con el producto de este trabajo se espera aportar tanto herramientas como técnicas y algoritmos que permitan entrenar por neuroevolución redes de neuronas artificiales profundas, estableciendo un apoyo a mediano y a largo plazo a la comunidad de ciencias de la computación.

En el área de la docencia, el proyecto permitirá generar material y conocimiento para cursos nuevos orientados al área de inteligencia artificial. El uso de estos algoritmos no está limitado a la detección de enfermedades en imágenes médicas, por lo que su uso podría ampliarse a otros tipos de problemas de clasificación y reconocimiento de patrones, entre otros. De esta forma, el material y la experticia producto de este proyecto pueden ser utilizados en cursos electivos relacionados con la inteligencia artificial y las redes de neuronas artificiales.

Investigador principal
Mag. Braulio Solano Rojas

Colaboradores
Dr. Ricardo Villalón Fonseca
Dra. Gabriela Marín Raventós
Mag. Braulio Solano Rojas

Unidad académica base
Centro de Investigaciones en Tecnologías de la Información y Comunicación (CITIC)

Unidades académicas colaboradoras
Escuela de Ciencias de la Computación e Informática (ECCI)

Publicaciones asociadas

Alzheimer’s Disease Early Detection Using a Low Cost Three-Dimensional Densenet-121 Architecture

Descripción:

The objective of this work is to detect Alzheimer’s disease using Magnetic Resonance Imaging. For this, we use a three-dimensional densenet-121 architecture. With the use of only freely available tools, we obtain good results: a deep neural network showing metrics of 87% accuracy, 87% sensitivity (micro-average), 88% specificity (micro-average), and 92% AUROC (micro-average) for the task of classifying five different classes (disease stages). The use of tools available for free means that this work can be replicated in developing countries.

Tipo de publicación: Conference Paper

Publicado en: Lecture Notes in Computer Science

A Low-Cost Three-Dimensional DenseNet Neural Network for Alzheimer’s Disease Early Discovery

Descripción:

Alzheimer’s disease is the most prevalent dementia among the elderly population. Early detection is critical because it can help with future planning for those potentially affected. This paper uses a three-dimensional DenseNet architecture to detect Alzheimer’s disease in magnetic resonance imaging. Our work is restricted to the use of freely available tools. We constructed a deep neural network classifier with metrics of 0.86 mean accuracy, 0.86 mean sensitivity (micro-average), 0.86 mean specificity (micro-average), and 0.91 area under the receiver operating characteristic curve (micro-average) for the task of discriminating between five different disease stages or classes. The use of tools available for free ensures the reproducibility of the study and the applicability of the classification system in developing countries.

Tipo de publicación: Journal Article

Publicado en: Sensors