Classificação de imagens médicas de alzheimer utilizando Redes neurais convolucionais para a identificação da doença

Abstract

A pesquisa aborda o uso de redes neurais convolucionais (CNNs) para identificar e classificar diferentes estágios da Doença de Alzheimer (DA) a partir de imagens médicas, especificamente ressonâncias magnéticas (MRI). O estudo utiliza duas bases de dados principais: OASIS-1 e um conjunto de dados do Kaggle. O objetivo central do estudo foi desenvolver modelos de predição para detectar diferentes estágios da Doença de Alzheimer. Para isso, foram implementados dois modelos principais de CNN, além de uma abordagem com a arquitetura Inception V3 utilizando técnicas de transfer learning. O estudo também incluiu a criação de uma aplicação web escalável para facilitar o uso dos modelos em um ambiente de produção, permitindo que as previsões fossem realizadas em tempo real através da integração com a Google Cloud Platform (GCP). O pré-processamento dos dados foi uma etapa crucial, especialmente para as imagens do OASIS-1, que necessitavam de maior tratamento comparado ao conjunto de dados do Kaggle. As imagens tridimensionais de ressonância magnética foram fatiadas em imagens bidimensionais, focando em fatias que melhor representavam regiões cerebrais relevantes para o diagnóstico de Alzheimer. Esse processo gerou um conjunto ampliado de dados, essencial para treinar os modelos de CNN. Além disso, a pesquisa destaca a importância de métodos interpretáveis para a aplicação de CNNs na área médica, utilizando SHAP values para identificar as regiões das imagens que mais contribuíram para as previsões dos modelos. Essa abordagem ajuda na confiabilidade dos diagnósticos e oferece insights para os profissionais de saúde. Por fim, o projeto foi solidificado em uma implementação de uma aplicação web escalável baseada em microsserviços, utilizando a GCP. Ferramentas como Google Cloud Run, Google Cloud Functions e Google Vertex AI foram integradas para permitir a automação e escalabilidade do processo de predição a partir de imagens fornecidas ao modelo. O código-fonte foi disponibilizado no GitHub, com pipelines CI/CD configuradas para facilitar contribuições de outros pesquisadores.The research focuses on the use of convolutional neural networks (CNNs) to identify and classify different stages of Alzheimer’s Disease (AD) from medical images, specifically magnetic resonance imaging (MRI). The study utilizes two main datasets: OASIS-1 and a dataset from Kaggle. The primary goal of the study was to develop predictive models to detect various stages of Alzheimer’s Disease. To achieve this, two main CNN models were implemented, along with an approach using the Inception V3 architecture with transfer learning techniques. The study also included the development of a scalable web application to facilitate the use of these models in a production environment, allowing real-time predictions through integration with the Google Cloud Platform (GCP). Data preprocessing was a crucial step, especially for the OASIS-1 images, which required more extensive processing compared to the Kaggle dataset. The three-dimensional MRI images were sliced into two-dimensional images, focusing on slices that best represented brain regions relevant to Alzheimer’s diagnosis. This process generated an expanded dataset, essential for training the CNN models. Additionally, the research highlights the importance of interpretable methods for applying CNNs in the medical field, using SHAP values to identify the regions of the images that contributed the most to the models’ predictions. This approach enhances the reliability of diagnoses and provides insights for healthcare professionals. Finally, the project was solidified into a scalable web application implementation based on microservices, using GCP. Tools such as Google Cloud Run, Google Cloud Functions, and Google Vertex AI were integrated to enable automation and scalability of the prediction process from images provided to the model. The source code was made available on GitHub, with CI/CD pipelines configured to facilitate contributions from other researchers.