Alzheimer's disease (AD) is an incurable neurodegenerative disease. Magnetic
Resonance Imaging (MRI) is used to assess the damage caused by the disease and to
capture complex changes on the brain. In this work, we study how 3D Convolutional
Neural Networks exploit the 3D nature of the MRI volume and how they can predict AD
diagnosis. The neural network has been trained and evaluated in two different
scenarios: a two way classification between AD and cognitive normal (CN), and a three
way classification ...
Alzheimer's disease (AD) is an incurable neurodegenerative disease. Magnetic
Resonance Imaging (MRI) is used to assess the damage caused by the disease and to
capture complex changes on the brain. In this work, we study how 3D Convolutional
Neural Networks exploit the 3D nature of the MRI volume and how they can predict AD
diagnosis. The neural network has been trained and evaluated in two different
scenarios: a two way classification between AD and cognitive normal (CN), and a three
way classification between CN, AD and an initial stage of the disease called Mild
Cognitive Impairment (MCI). Results classifying CN vs AD show a great performance
using two different image subsets and results for CN vs MCI vs AD show a nice
performance considering the lack of data and some data augmentation techniques that
affect negatively to the model performance.
+
La enfermedad de Alzheimer (EA) es una enfermedad neurodegenerativa incurable.
Las imágenes por resonancia magnética (IRM) se utilizan para evaluar el daño
causado por la enfermedad y capturar cambios complejos en el cerebro. En este
trabajo, estudiamos cómo las redes neuronales convolucionales 3D explotan la
naturaleza 3D del volumen de MRI y cómo pueden predecir el diagnóstico de EA. La
red neuronal ha sido entrenada y evaluada en dos escenarios diferentes: una
clasificación de dos vías entre ...
La enfermedad de Alzheimer (EA) es una enfermedad neurodegenerativa incurable.
Las imágenes por resonancia magnética (IRM) se utilizan para evaluar el daño
causado por la enfermedad y capturar cambios complejos en el cerebro. En este
trabajo, estudiamos cómo las redes neuronales convolucionales 3D explotan la
naturaleza 3D del volumen de MRI y cómo pueden predecir el diagnóstico de EA. La
red neuronal ha sido entrenada y evaluada en dos escenarios diferentes: una
clasificación de dos vías entre la EA y la cognitiva normal (CN), como una clasificación
de tres vías entre la CN, la EA y una etapa inicial de la enfermedad llamada deterioro
cognitivo leve (DCL). Los resultados de clasificar CN vs AD muestran un gran
rendimiento para ambos sets de imágenes y los resultados referentes a la clasificación
de CN vs MCI vs AD muestran un rendimiento bueno considerando el tamaño y
escasez de imágenes y que algunas técnicas de aumento de datos han afectado
negativamente al rendimiento del modelo.
+