This work is licensed under a Creative Commons
Attribution-NonCommercial-ShareAlike 4.0 International License.
72
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024
Alzheimer's diagnosis
system based on
magnetic resonance
imaging using the VGG16
algorithm
ARTICLE HISTORY
Received 27 September 2023
Accepted 23 October 2023
Published 08 January 2024
Werner Shtaniklao Ucañay Barreto
Universidad Católica Sedes Sapientiae
Lima, Perú
ucanaybarretonsm@gmail.com
ORCID: 0000-0003-3634-7914
Marco Antonio Coral Ygnacio
Universidad Católica Sedes Sapientiae
Lima, Perú
mcoral@ucss.edu.pe
ORCID: 0000-0001-6628-1528
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
This work is licensed under a Creative Commons
Attribution-NonCommercial-ShareAlike 4.0 International License.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
73
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
Sistema de Diagnóstico del Alzheimer basado en
Imágenes de Resonancia Magnética mediante el
Algoritmo VGG16
Alzheimer's Diagnosis System based on Magnetic
Resonance Imaging using the VGG16 Algorithm
Werner Shtaniklao Ucañay Barreto
Universidad Católica Sedes Sapientiae
Facultad de Ingenieria
Lima, Perú
ucanaybarretonsm@gmail.com
Marco Antonio Coral Ygnacio
Universidad Católica Sedes Sapientiae
Facultad de Ingenieria
Lima, Perú
mcoral@ucss.edu.pe
Resumen— El diagnóstico temprano del Alzheimer es
fundamental para brindar un tratamiento oportuno a los pacientes.
En este sentido se ha desarrollado un sistema de diagnóstico del
Alzheimer basado en imágenes de resonancia magnética que utiliza
un algoritmo de redes neuronales convolucionales denominado
VGG16. Se recopilaron y procesaron imágenes de resonancia
magnética de pacientes con y sin Alzheimer. Estas imágenes se
utilizaron para entrenar al algoritmo, el cual aprendió a identificar y
asociar patrones con la enfermedad. Posteriormente, se realizaron
pruebas con un conjunto de imágenes no vistas para evaluar la
capacidad de diagnóstico del sistema. Mediante el análisis de las
imágenes de resonancia magnética, el algoritmo VGG16 ha
demostrado una capacidad superior al 82% para reconocer
correctamente dichos signos. Estos resultados validan la efectividad
del enfoque basado en inteligencia artificial para el diagnóstico del
Alzheimer.
Palabras Clave—diagnóstico del Alzheimer; imágenes de
resonancia magnética; VGG16, detección temprana
Abstract— Early diagnosis of Alzheimer's disease is essential to
provide timely treatment to patients. In this regard, a system for
diagnosing Alzheimer's disease based on magnetic resonance
imaging and utilizing a convolutional neural network algorithm
called VGG16, has been developed. Magnetic resonance images of
patients with and without Alzheimer's disease were collected and
processed. These images were used to train the algorithm, which
learned to identify and associate patterns with the disease.
Subsequently, tests were performed with a set of unseen images to
evaluate the diagnostic ability of the system. Through the analysis
of magnetic resonance images, the VGG16 algorithm has shown a
capacity of over 82% to correctly recognize these signs. These
results validate the effectiveness of the artificial intelligence-based
approach for diagnosing Alzheimer's disease.
Keywords— Alzheimer’s diagnosis; magnetic resonance
imaging; VGG16; early detection
I.
I
NTRODUCCIÓN
En los últimos tiempos, el incremento de incidencias de la
enfermedad de Alzheimer ha generado una creciente
necesidad de detección e intervención temprana [1]. Este
trastorno neurodegenerativo afecta a la población mundial y
se ha convertido en una preocupación debido a su impacto
negativo en los individuos, sus familias y la sociedad. A
menudo se diagnostica cuando ya ha avanzado
significativamente, dificultando el manejo y el tratamiento
eficaz [2]. Las limitaciones en los enfoques convencionales de
diagnóstico, caracterizados por su dependencia de la
experiencia y las habilidades de los médicos, pueden dar lugar
a variaciones en los resultados y a la posibilidad de que se
produzcan errores humanos [3]. Además, los diagnósticos
convencionales suelen basarse en análisis subjetivos y pueden
verse obstaculizados por el acceso limitado a la información
sobre el paciente [4]. Estas limitaciones han impulsado la
búsqueda de métodos de diagnóstico más eficaces y precisos.
Esta necesidad surge del hecho de que los primeros indicios
de enfermedades pueden manifestarse de forma sutil y resultar
difíciles de detectar con las técnicas tradicionales [5], lo que
provoca retrasos en el diagnóstico y restringe las
oportunidades de intervención temprana y tratamiento eficaz.
La posibilidad de un diagnóstico temprano permitirá mejorar
la creación de planes de tratamiento eficaces. Los
profesionales médicos podrían implementar medidas para
frenar la progresión de la enfermedad y mejorar la calidad de
vida de los pacientes detectando el Alzheimer en sus primeras
fases. La detección temprana también podría reducir la carga
económica y emocional de las familias, ya que les da más
tiempo para reflexionar y hacer planes para el futuro [6].
Con los avances en técnicas que hacen uso del aprendizaje
automático (AM) y la inteligencia artificial (IA), se ha
potenciado la capacidad de interpretar y analizar resonancias
magnéticas y tomografías por emisión de positrones. Estas
tecnologías están siendo aplicadas con el fin de encontrar
signos iniciales de la enfermedad de Alzheimer, permitiendo
la detección temprana y por ende, la posibilidad de una
intervención oportuna [7][8]. El uso de estas tecnologías
permite el desarrollo de sistemas de diagnóstico que pueden
identificar alteraciones menores en la estructura y funciones
cerebrales que pueden predecir el comienzo de la enfermedad
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
74
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
de Alzheimer, incluso antes de que se manifiesten los indicios
clínicos [9]. Sin embargo, la implementación de estas
tecnologías avanzadas sigue presentando desafíos
significativos, como garantizar su precisión y fiabilidad, así
como superar problemas éticos relacionados con la privacidad
de los datos y el consentimiento informado [10].
Estos desafíos nos motivan a proponer un sistema de
diagnóstico del Alzheimer basado en imágenes de resonancia
magnética (IMR) utilizando un algoritmo de redes neuronales
convolucionales (VGG16). VGG16 está conformada por 16
capas (capas convolucionales y capas completamente
conectadas) en las que aprende a reconocer patrones a partir
de una serie de imágenes aplicando filtros y extrayendo
características.
El sistema de diagnóstico no se limita únicamente a mejorar
la detección temprana de la enfermedad, sino que también
aspira a incrementar la calidad de vida de los pacientes al
facilitar una intervención más temprana y eficaz. Además, se
espera que el sistema ayude a mitigar la carga económica y
emocional de las familias al proporcionar diagnósticos más
tempranos y precisos.
El sistema se basa en la interpretación de imágenes de
resonancia magnética utilizando el algoritmo VGG16. Las
imágenes cerebrales fueron obtenidas de The Open Access
Series of Imaging Studies (OASIS), un conjunto de datos de
imágenes de resonancia magnética de adultos mayores,
incluyendo pacientes con y sin Alzheimer. El conjunto de
datos contiene imágenes de resonancia magnética estructural
y funcional, así como datos clínicos de los pacientes. Estas
imágenes son procesadas por el algoritmo, que las compara
con patrones previamente entrenados que representan los
signos tempranos de la enfermedad. A partir de este análisis,
se genera una métrica que cuantifica la similitud con los
patrones de la enfermedad. Los resultados han demostrado
una capacidad superior al 82% para identificar correctamente
los signos iniciales de Alzheimer, validando la efectividad de
del enfoque basado en inteligencia artificial.
La estructura del artículo se compone de la siguiente
manera: en la sección II, se proporciona un análisis detallado
del estado actual del tema, se plantea el problema y se propone
una solución precisa para abordarlo. En la sección III, se
exponen los resultados derivados de la propuesta, seguidos de
un análisis y descripción de los mismos. Finalmente, se
presentan las conclusiones extraídas de la investigación y se
formulan recomendaciones para futuros trabajos.
II. E
STADO DEL
A
RTE
Este apartado tiene como objetivo presentar la teoría relevante
para entender la propuesta de solución. Aquí, se presenta un
panorama de la investigación y desarrollo que se ha hecho en
el campo del diagnóstico del Alzheimer basado en imágenes
(MRI) y las tecnologías utilizadas en este proceso.
A. Diagnóstico del Alzheimer basado en imágenes (MRI)
El diagnóstico del Alzheimer basado en imágenes (MRI) es
un ámbito que ha experimentado un notorio crecimiento en los
últimos tiempos [11]. Esto ha dado lugar al desarrollo de
distintos sistemas de diagnóstico del Alzheimer, que gracias a
las técnicas y métodos aplicados permiten el reconocimiento
de patrones en imágenes cerebrales con el objetivo de detectar
signos tempranos de la enfermedad. Su aplicación sirve para
la identificación temprana y el seguimiento del Alzheimer,
siendo de especial relevancia para el tratamiento y cuidado del
paciente.
Los sistemas de diagnóstico del Alzheimer basados en
imágenes pueden clasificarse según los recursos utilizados, las
características analizadas y la arquitectura del sistema. En
cuanto a los recursos utilizados, se pueden emplear tomografía
por emisión de positrones (PET), imágenes de resonancia
magnética (MRI) o la combinación de ambas técnicas. La
MRI es útil para visualizar la estructura cerebral [12], mientras
que la PET mide la actividad cerebral y detecta la acumulación
de proteínas relacionadas con la enfermedad [13]. En cuanto a
las características analizadas, los sistemas pueden centrarse en
características morfológicas, como el grosor cortical y el
volumen de estructuras cerebrales [14], o en características
funcionales, como el flujo sanguíneo cerebral y la actividad
metabólica [10]. Algunos sistemas combinan ambas
características para mejorar la precisión del diagnóstico. Por
último, en función de la arquitectura de la red neuronal, se
pueden utilizar redes neuronales convolucionales
(especialmente útiles para analizar imágenes) [15], redes
neuronales recurrentes (que procesan secuencias de datos y
son útiles para analizar imágenes de PET) [16] o redes
neuronales adversarias generativas (que generan imágenes de
alta calidad y proporcionan información adicional sobre la
estructura y función del cerebro) [17].
El enfoque de diagnóstico basado en imágenes de resonancia
magnética (MRI) y técnicas de aprendizaje profundo para la
enfermedad de Alzheimer ofrece beneficios en múltiples
niveles. Desde una perspectiva técnica, ofrece una
herramienta de diagnóstico no invasiva y precisa que puede
detectar la enfermedad en sus primeras etapas, cuando los
cambios estructurales en el cerebro son sutiles y difíciles de
identificar a simple vista [18][19]. Esto proporciona a los
profesionales de salud una herramienta para enfrentar esta
enfermedad compleja.
B. Tecnologías asociadas al diagnóstico del Alzheimer
basado en imágenes (MRI)
Los sistemas de diagnóstico del Alzheimer requieren el
uso de diversas tecnologías asociadas que permiten el
procesamiento y análisis de datos médicos complejos. En
consecuencia, resulta esencial examinar la integración de estas
tecnologías en los sistemas de diagnóstico del Alzheimer. Un
primer punto son las herramientas de procesamiento de
imágenes médicas (por ejemplo, Insight Segmentation and
Registration Toolkit y Visualization Toolkit) para analizar
imágenes y extraer características relevantes [20]. Además,
frameworks de aprendizaje profundo como Tensor Flow y
PyTorch son esenciales para implementar algoritmos
avanzados [10], mientras que bibliotecas de aprendizaje
automático como Scikit-learn contribuyen a identificar
biomarcadores de la enfermedad [21]. El análisis detallado de
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
75
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
áreas cerebrales específicas se logra mediante software
especializado, como FreeSurfer, ANTs y BrainSuite [14]. Por
último, se hace mención a las bases de datos de imágenes
médicas, ejemplificadas por iniciativas como Open Access
Series of Imaging Studies o Alzheimer's Disease
Neuroimaging Initiative, que contienen información clínica y
permite entrenar y validar el sistema de diagnóstico, lo que
mejora su confiabilidad y eficacia en la detección temprana
del Alzheimer [22]. Además, es crucial contar con una
infraestructura tecnológica adecuada, que incluya
computadoras de alta capacidad, unidades de almacenamiento
rápidas y tarjetas gráficas de alto rendimiento [23] [24].
C. Métodos de Construcción de sistemas de diagnóstico
del Alzheimer
El desarrollo de un sistema de diagnóstico del Alzheimer
basado en imágenes (MRI) requiere la comprensión de
distintas dimensiones que puede tomar el desarrollo de este
sistema, como puede ser la dimensión humana, un punto de
vista desde la perspectiva del experto (neurólogo) o en
términos del desarrollo del software. Los sistemas de
diagnóstico de Alzheimer basados en imágenes son
herramientas informáticas especializadas en analizar
imágenes médicas para identificar patrones y características
asociadas a la enfermedad [25]. Estos sistemas en esencia son
software por lo que se construyen mediante diferentes
métodos de desarrollo, como los métodos Agiles [26]. Este
enfoque se centra en la flexibilidad, la colaboración y el
desarrollo iterativo en función de los comentarios de los
usuarios y los requisitos cambiantes. Por otro lado, los
sistemas emulan el comportamiento de un neurólogo, quien
utiliza evaluaciones visuales, escalas de evaluación y análisis
de conectividad para detectar cambios cerebrales relacionados
con la enfermedad [27]. Los sistemas de diagnóstico logran
emular este comportamiento empleando algoritmos para
extraer características relevantes de las imágenes y técnicas de
aprendizaje automático para optimizar la precisión del
modelo. La implementación puede incluir métodos como el
Análisis de componentes principales (PCA), Análisis de
textura en regiones de interés, Redes neuronales
convolucionales (CNN), Bosques aleatorios (RF), Búsqueda
de cuadrícula (Grid Search) y el coeficiente de clustering de
Watts-Strogatz [20]. Al relacionar estas dimensiones de
manera efectiva, se puede construir un sistema de diagnóstico
del Alzheimer que mejore la precisión y la robustez de las
predicciones utilizando información y modelos
complementarios.
D. Problemas asociados a la implementación de Sistemas
de diagnóstico del Alzheimer
La implementación de un sistema de diagnóstico del
Alzheimer basado en imágenes (MRI) también tiene sus
desafíos. Estos problemas pueden ser técnicos, metodológicos
o éticos.
Se presentan desafíos significativos relacionados con
problemas técnicos en la implementación de estas tecnologías
avanzadas. Estos problemas incluyen la calidad de las
imágenes, ya que estas deben ser lo suficientemente detalladas
para permitir un análisis preciso, y deben ser normalizadas
para asegurar que las comparaciones entre las imágenes sean
válidas [28]. Además, el manejo de grandes volúmenes de
datos puede ser un desafío, ya que el análisis de imágenes de
MRI requiere un gran almacenamiento y poder de
procesamiento [29]. Los problemas metodológicos suelen
estar relacionados con la selección y aplicación de los métodos
de análisis. La elección de los parámetros adecuados para los
algoritmos de aprendizaje automático puede ser un proceso
complicado, y los resultados pueden variar significativamente
dependiendo de estos parámetros [28]. Además, la validación
de los resultados es un paso crucial, y el uso de conjuntos de
datos de prueba independientes es esencial para asegurar que
los modelos son generalizables y no simplemente sobre
ajustados a los datos de entrenamiento [22]. Finalmente, los
problemas éticos son una consideración importante en el
desarrollo de cualquier sistema médico. En el caso del
diagnóstico del Alzheimer basado en imágenes (MRI), estos
problemas pueden incluir cuestiones de privacidad y
consentimiento, ya que las imágenes cerebrales son datos
sensibles y personales. Además, el diagnóstico temprano de la
enfermedad de Alzheimer puede tener implicaciones
psicológicas significativas para los pacientes, y debe
manejarse de manera cuidadosa y ética [3].
III. E
L PROBLEMA DEL DIAGNÓSTICO DEL
A
LZHEIMER
BASADO EN IMÁGENES
El diagnóstico de la enfermedad de Alzheimer plantea
importantes retos a la comunidad médica, sobre todo cuando
se basa en técnicas de imagen como la resonancia magnética
(MRI). Estos problemas se derivan de la variabilidad de las
imágenes cerebrales, la presencia de rasgos sutiles o
inespecíficos del Alzheimer, la ausencia de indicadores
definidos [30] y las desafíos que experimentan los expertos a
la hora de interpretar las imágenes [31].
En primer lugar, la variabilidad de las imágenes cerebrales
plantea un reto importante en el diagnóstico de la enfermedad
de Alzheimer. Los cerebros humanos varían
considerablemente de una persona a otra, tanto en términos de
estructura física como de función cognitiva [32]. Esta
variabilidad natural puede dificultar la distinción entre los
cambios normales relacionados con la edad y los cambios
patológicos asociados a la enfermedad de Alzheimer.
Además, diversos factores como la edad, el sexo, la educación
y la genética pueden influir en la estructura y la función
cerebrales [33], complicando aún más la tarea del diagnóstico.
Por ejemplo, algunas investigaciones han demostrado que el
cerebro de las mujeres tiende a envejecer de forma diferente
al de los hombres, lo que puede influir en las características
estructurales visibles en una resonancia magnética. Del mismo
modo, se ha demostrado que el nivel educativo de una persona
influye en la estructura cerebral, sobre todo en las áreas
relacionadas con el lenguaje y la cognición [34]. A nivel
genético, algunos genes pueden afectar a la estructura y
función del cerebro, lo que aumenta aún más la variabilidad
observada en las imágenes cerebrales [16]. Esta amplia
variabilidad dificulta una definición precisa entre lo que se
considera normal y lo que indica la enfermedad de Alzheimer.
Además de la variabilidad de las imágenes cerebrales, la
detección de características leves de la enfermedad de
Alzheimer en las imágenes dificulta aún más el procedimiento
de diagnóstico. La enfermedad de Alzheimer se distingue por
la degeneración progresiva del tejido cerebral, sobre todo en
el hipocampo y otras zonas del cerebro relacionadas con la
memoria [35]. Sin embargo, estos cambios suelen ser sutiles
y pueden no ser perceptibles hasta que la enfermedad ha
progresado significativamente. Además, esta atrofia no es
exclusiva de la enfermedad de Alzheimer; otras formas de
demencia pueden presentar patrones similares de atrofia
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
76
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
cerebral, por lo que resulta difícil diferenciarlas basándose
únicamente en los resultados de las pruebas de imagen. Para
añadir mayor complejidad, existen características
inespecíficas como las hiperintensidades de la sustancia
blanca [36]. Se trata de áreas de mayor intensidad de señal que
se observan en las resonancias magnéticas y que pueden
encontrarse tanto en cerebros que envejecen normalmente
como en los que padecen la enfermedad de Alzheimer. Estas
características, aunque indican un posible daño vascular, no
son específicas del Alzheimer, lo que aumenta aún más la
complejidad del diagnóstico.
Un desafío significativo en el diagnóstico por imagen del
Alzheimer radica en la carencia de marcadores claros y
definitivos. Aunque la presencia de placas de beta-amiloide y
ovillos neurofibrilares son señales distintivas de la
enfermedad de Alzheimer [37], estos alteraciones patológicos
no son directamente observables mediante las técnicas
convencionales de resonancia magnética. Métodos de imagen
avanzados como la tomografía por emisión de positrones
(PET) pueden visualizar las placas amiloides, pero estas
técnicas están menos disponibles y exponen a los pacientes a
radiaciones ionizantes. Por lo tanto, la resonancia magnética,
que no es invasiva, sigue siendo la principal modalidad de
imagen para evaluar a los pacientes con sospecha de
enfermedad de Alzheimer, a pesar de sus limitaciones.
Por último, la interpretación de las imágenes cerebrales
por parte de los expertos médicos representa un desafío
significativo. Se requiere un alto grado de experiencia para
identificar e interpretar con precisión los cambios sutiles
asociados a la enfermedad de Alzheimer. Los sutiles cambios
que se producen en el cerebro debido a la enfermedad de
Alzheimer no son fáciles de identificar y pueden pasar
desapercibidos o malinterpretarse con facilidad [33], lo que
conduce a un diagnóstico erróneo. Además, la interpretación
puede ser muy subjetiva, y distintos profesionales sanitarios
pueden interpretar la misma imagen de formas diferentes
[7][38], un fenómeno conocido como variabilidad entre
evaluadores. Esta incoherencia puede llevar a confusión y a
un diagnóstico potencialmente incorrecto.
A pesar de estos retos, el diagnóstico por imagen de la
enfermedad de Alzheimer presenta ciertas ventajas sobre los
métodos de diagnóstico tradicionales. Los métodos
tradicionales suelen basarse en pruebas cognitivas, que
pueden verse influidas por diversos factores, como el estado
de ánimo del paciente, su educación y sus antecedentes
culturales [19]. En cambio, el diagnóstico por imagen
proporciona una medida más objetiva de la estructura y el
funcionamiento del cerebro. Las imágenes también pueden
detectar cambios en el cerebro que se producen antes de la
aparición de los síntomas cognitivos [12], lo que
potencialmente permite un diagnóstico y una intervención
más tempranos. Además, los avances tecnológicos y los
algoritmos de aprendizaje automático pueden mejorar la
precisión y la eficacia de la interpretación de imágenes [39],
mitigando así algunos de los problemas asociados a la
interpretación humana.
IV. P
ROPUESTA DE DIAGNÓSTICO DEL
A
LZHEIMER
BASADO EN IMÁGENES
El Instituto Nacional de Ciencias Neurológicas,
especializado en Neurología y Neurocirugía [40], se enfrenta
a importantes dificultades en la detección temprana del
Alzheimer debido a los exhaustivos requisitos de las
evaluaciones de laboratorio y de imagen cerebral. El
diagnóstico del deterioro cognitivo leve, que requiere pruebas
especializadas de las que actualmente no se dispone en el país,
complica aún más el proceso, lo que a menudo conlleva un
retraso en la detección.
En respuesta a esta problemática, se propone un sistema de
diagnóstico de la enfermedad de Alzheimer que utiliza
imágenes de resonancia magnética (MRI) junto con un
algoritmo de red neuronal convolucional (CNN). Los datos de
entrada incluyen resonancias magnéticas, obtenidas de la base
de datos de Oasis-1 [41], que proporcionan información sobre
la estructura del cerebro. OASIS-1 es un conjunto de datos de
imágenes cerebrales de 416 pacientes de entre 18 a 96 años,
incluye imágenes de resonancia magnética ponderadas en T1
además de datos clínicos y cognitivos. El sistema se basará en
los métodos utilizados por los neurólogos para identificar un
posible desarrollo de la enfermedad, como puede ser una
búsqueda de alteraciones específicas, como el agrandamiento
de los ventrículos cerebrales, la pérdida de volumen del
hipocampo, los cambios en la sustancia blanca y el
adelgazamiento de la sustancia gris, lo cual puede ser
indicativo de la progresión de la enfermedad de Alzheimer.
Es importante destacar que este sistema se propone como
una herramienta complementaria en el diagnóstico médico.
Trabajaría en conjunto con los profesionales de la salud,
respaldando su experiencia y conocimientos clínicos en la
detección y diagnóstico de la enfermedad de Alzheimer. La
integración de esta herramienta tiene como objetivo reducir
los retrasos en la detección y mejorar la precisión diagnóstica
en beneficio de los pacientes.
A. Marco Teórico
En esta sección, se explorarán la teoría y conceptos clave
relacionados con la arquitectura de la una red convolucional,
siendo más específico, el algoritmo VGG16.
1) Capas convolucionales
Una capa convolucional es un componente fundamental en
las redes neuronales convolucionales. Funciona mediante la
aplicación de filtros, llamados 'kernels', que recorren toda la
imagen y generan mapas de características, resaltando los
detalles importantes para el análisis como se muestra en la
Figura 1. Estos filtros permiten detectar patrones locales en las
imágenes, tales como bordes, texturas y colores, lo que facilita
la identificación de características útiles para tareas como la
clasificación y detección de objetos. Este filtro es una pequeña
matriz de pesos. Al mover el filtro por la imagen (de izquierda
a derecha, de arriba abajo), la red es capaz de aprender
patrones locales, como bordes o texturas. En el modelo
VGG16, la arquitectura incluye múltiples capas
convolucionales con filtros pequeños (3x3), esto permite al
modelo aprender patrones más complejos.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
77
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
Fig. 1. Filtros convolucionales aplicados a una imagen para resaltar los
bordes horizontales
2) Capas de Pooling
Después de las capas convolucionales, se suelen utilizar
capas de agrupamiento para reducir el tamaño espacial
(anchura y altura) de la característica convolucionada. Esto
sirve para disminuir la potencia de cálculo necesaria para
procesar los datos mediante la reducción de la
dimensionalidad. Existen varios tipos de operaciones de
pooling, pero el más común es el Max pooling. La agrupación
máxima selecciona el valor máximo de una región del mapa
de características cubierta por el filtro. La capa de pooling en
VGG16 utiliza 2x2 Max pooling, lo que significa que mira en
una cuadrícula de 2x2 del mapa de características y elige el
valor más grande, reduciendo efectivamente el tamaño del
mapa de características a la mitad.
La Figura 2 muestra una sección de la imagen de la capa
de pooling. La capa de pooling reduce el tamaño de la imagen
de entrada, y mantiene la información más relevante. En este
caso, la capa de pooling utiliza un tamaño de ventana de 2x2
y un stride de 2. Esto significa que cada región de 2x2 píxeles
en la imagen de entrada se reduce a un solo píxel en la imagen
de pooling.
----------------------------------------------
| 0. | 2.392158 | 0. | ...
----------------------------------------------
| 0. | 2.392158 | 0. | ...
----------------------------------------------
| 0. | 2.9314198 | 0. | ...
----------------------------------------------
Dimensión de la capa de pooling: (1, 224, 224, 64)
Fig. 2. Resultado de la capa pooling aplicado a 3 pixeles
La forma de la matriz permite comprender la
configuración espacial de los resultados de la agrupación: la
primera dimensión indica el tamaño del lote (uno, para una
sola imagen procesada), y las dimensiones siguientes
representan la altura, la anchura y la profundidad (número de
canales) del resultado de la agrupación. Estas dimensiones
ayudan a comprender la estructura y la representación de las
características extraídas. Cada valor en la imagen de pooling
representa el valor máximo de la región de 2x2 píxeles
correspondiente en la imagen de entrada. Por ejemplo, el valor
2.392158 en la fila 1, columna 1 de la imagen de pooling
representa el valor máximo de la región de 2x2 píxeles
correspondiente en la imagen de entrada.
Los valores cercanos a cero en la matriz sugieren que se
seleccionaron características insignificantes durante la
agrupación, ya sea debido a la selección de valores mínimos o
a la falta de características significativas en esa zona. Por otro
lado, los valores distintos de cero expresan la existencia de
rasgos notables en esa región, lo que representa datos cruciales
recuperados y condensados por la capa de agrupación.
B. Desarrollo del Sistema de diagnóstico del Alzheimer
basado en imágenes
Para el sistema propuesto, se empleará el modelo VGG16,
un modelo de aprendizaje profundo preentrenado, usado para
tareas de clasificación de imágenes gracias a su capacidad para
identificar patrones en conjuntos de datos complejos, como
los derivados de imágenes de resonancia magnética. Al
adaptar el modelo VGG16 a nuestros requisitos específicos, el
sistema está diseñado para diagnosticar la enfermedad de
Alzheimer mediante el examen de patrones en las imágenes
de resonancia magnética de los pacientes.
Este modelo (Figura 3) se caracteriza por su profundidad
y relativa sencillez. Compuesto por 16 capas, incluye capas
convolucionales, capas de agrupación y capas totalmente
conectadas. Cada capa convolucional está repleta de múltiples
filtros diseñados para extraer diversas características de las
imágenes a distintos niveles de abstracción. Las capas de
agrupación sirven para reducir la dimensionalidad de las
características obtenidas, reteniendo sólo las más
significativas.
A continuación, las capas totalmente conectadas se
encargan de la clasificación final de las imágenes,
segregándolas en distintas categorías. Esta arquitectura resalta
la capacidad del modelo VGG16 para proporcionar
interpretaciones detalladas y matizadas de las imágenes, lo
que lo hace adecuado para los objetivos de nuestro sistema.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
78
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
Fig.3. Modelo de VGG16
El primer paso consiste en entrenar el modelo utilizando la
base de datos Oasis-1 [41], la cual es una base de datos
ampliamente utilizada en la investigación del Alzheimer.
Oasis-1 contiene imágenes de resonancia magnética (RM) de
cerebros de individuos sanos y con diferentes etapas de la
enfermedad de Alzheimer.
Fig. 4. Imagen original (izq.) y resultado de la normalización (der.)
Las imágenes de resonancia magnética (RM) de esta base
de datos se preprocesan para adaptarlas a los requisitos de la
arquitectura VGG16. Como se muestra en la Figura 4, estos
requisitos implican redimensionar las imágenes a dimensiones
de 224x224 píxeles. En la Ecuación (1), se aplica la
normalización de las imágenes, la cual utilizó la
normalización del valor del píxel, un tipo de normalización
lineal:
=
−
−
(1)
Donde:
=
=
= á
= í
Este algoritmo normaliza los valores de los píxeles en el
rango de 0 a 1, lo que hace que las imágenes sean más
comparables entre sí. Luego se realiza la preparación de los
datos en el formato adecuado para el entrenamiento, como es
el formato de extensión PNG.
Finalmente, las imágenes son divididas en cuatro
categorías (sin Alzheimer, leve, moderado y severo) para su
entrenamiento y validación. De la base de datos Oasis-1 Se
seleccionaron 400 pacientes, que se dividieron en un conjunto
de entrenamiento de 296 pacientes y un conjunto de validación
de 104 pacientes, lo que resulta en un modelo preentrenado
capaz de clasificar las imágenes de acuerdo con las clases
establecidas y los pesos asignados.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
79
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
C. Aplicación
Esta subsección se adentra en el proceso de entrenamiento
y procesamiento de las imágenes. Además, se detalla el
resultado del entrenamiento y el proceso que sigue las
imágenes a través de la red.
1) Entrenamiento
En el entrenamiento, la red neuronal aprende a reconocer
patrones y características específicas en las imágenes
cerebrales que pueden indicar la presencia de la enfermedad
de Alzheimer. Se utilizaron un total de 1,305 imágenes para el
conjunto de entrenamiento y 458 imágenes para el conjunto
de validación. Estas imágenes representan una variedad de
casos de pacientes con y sin Alzheimer, lo que proporciona
una muestra diversa y representativa para entrenar y evaluar
el modelo.
El conjunto de entrenamiento de 1,305 imágenes se utilizó
para ajustar los pesos y los parámetros de la red neuronal,
permitiendo que el modelo aprenda a reconocer las
características distintivas asociadas con el Alzheimer en las
imágenes de MRI. Por otro lado, el conjunto de validación de
458 imágenes se utilizó para evaluar el rendimiento del
modelo durante el entrenamiento y evitar el sobreajuste. Esta
separación de los conjuntos de entrenamiento y validación
ayuda a medir la capacidad del modelo para generalizar y
realizar predicciones precisas en datos no vistos previamente.
Durante el proceso de entrenamiento, se obtuvo una
precisión del modelo superior al 82%, lo que indica una gran
capacidad de clasificación y reconocimiento de las
características distintivas asociadas con el Alzheimer en las
imágenes de MRI. Esta destacada precisión se evidencia en la
Figura 5 "Precisión del Modelo", donde se puede apreciar el
progreso del modelo a medida que se entrenaba.
Fig. 5. Gráfica de Precisión del Modelo
Por otro lado, la pérdida del modelo, que se refiere a la
discrepancia entre las predicciones del modelo y los valores
reales durante el entrenamiento, se ha mantenido en un nivel
muy bajo, alrededor del 0.5%. Esta baja pérdida indica que el
modelo ha aprendido de manera efectiva a generalizar y
ajustarse a los datos de entrenamiento, lo que a su vez
contribuye a su alta precisión. Figura 6 "Pérdida del Modelo"
muestra una tendencia decreciente a medida que avanza el
entrenamiento, lo que demuestra la mejora constante y la
capacidad del modelo para reducir los errores en sus
predicciones.
Fig. 6. Gráfica de Pérdida del Modelo
Las Figuras 5 y 6 ayudan a evaluar el rendimiento y el
progreso del entrenamiento de la red VGG16 en el sistema de
diagnóstico del Alzheimer, ya que permiten visualizar
claramente cómo evolucionaron la precisión y la pérdida del
modelo a lo largo del entrenamiento y cómo se alcanzaron los
niveles de precisión y la baja pérdida mencionados
anteriormente. Por otro lado, la figura 6 presenta una
representación visual de los patrones observados en imágenes
de resonancia magnética en diferentes categorías de
Alzheimer: Sin Alzheimer, leve, medio y moderado. Se ha
utilizado un enfoque basado en el análisis de agrandamiento
de los cuencos cerebrales y adelgazamiento de la materia
blanca para identificar las características distintivas asociadas
con cada categoría.
Fig. 7. Patrón de agrandamiento de los cuencos cerebrales y
adelgazamiento de la materia blanca en diferentes categorías de Alzheimer
La Figura 7., obtenida de la base de datos Oasis, ilustra
cómo estos patrones cambian a medida que el Alzheimer
progresa, lo que proporciona una comprensión más clara de
las alteraciones estructurales en el cerebro relacionadas con
esta enfermedad neurodegenerativa.
Una vez entrenada la red, se realiza el procesamiento de
las imágenes para obtener su diagnóstico basándose en los
patrones antes mencionados. Para ello, en primer lugar, se
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
80
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
importan las bibliotecas necesarias para ejecutar el programa.
Estas librerías incluyen numpy para operaciones numéricas,
nibabel para leer imágenes NIfTI, tensorflow para construir y
entrenar el modelo de red neuronal, OpenCV para
procesamiento de imágenes, e imutils para funciones
adicionales de procesamiento de imágenes.
Luego se definen las constantes como la ruta a los pesos
del modelo preentrenado y las dimensiones de las imágenes,
así como la ruta de la imagen para realizar la predicción del
modelo.
A continuación, se realiza la carga del diccionario de
clases y preprocesamiento de la imagen para el modelo. El
diccionario de clases asigna los índices de las clases a sus
nombres. A continuación, se carga la imagen previamente
guardada, la normaliza y añade una dimensión adicional para
que coincida con la forma de entrada del modelo.
El modelo se construye utilizando la arquitectura VGG16,
elimina las capas superiores y añade capas personalizadas. Se
cargan los pesos del modelo preentrenado y se realiza la
predicción.
La predicción se postprocesa seleccionando la clase con
mayor probabilidad. A continuación, el nombre de la clase
predicha y su correspondiente probabilidad se escriben en la
imagen original, que se guarda en un directorio
correspondiente a la clase predicha.
Console output:
Predicting
C:\xampp\htdocs\Prototipo\src\static\imagenes\OAS1_0001_MR1_mpr
_n4_anon_111_t88_masked_gfc_fseg.nii
{'mild_dementia': 0, 'moderate_dementia': 1,
'no_dementia': 2, 'slight_dementia': 3}
1/1 [==============================] - ETA: 0s
1/1 [==============================] - 0s 40ms/step
[0]
mild_dementia - [[0.8038744 0.00100118 0.30867776
0.13876037]]
Fig. 8. Salida después de procesar la imagen
En la Figura 8, las cifras entre corchetes simbolizan las
probabilidades vinculadas a las predicciones del modelo, con
cuatro categorías en este caso: Sin Alzheimer, Alzheimer leve,
moderado y moderado/intermedio. Cada número denota la
probabilidad de que la imagen analizada pertenezca a cada
categoría. Por ejemplo, en la predicción "demencia_leve -
[[0,803 0,001 0,308 0,138]]", los valores [0,803 0,001 0,308
0,138] sugieren que la imagen tiene alrededor de un 80% de
probabilidades de pertenecer a la categoría "Alzheimer
moderado", un 0,1% de probabilidades de "Alzheimer
moderado/intermedio", un 30% de probabilidades de "No
Alzheimer" y un 13% de probabilidades de "Alzheimer leve".
2) Mapas de Calor
Con el objetivo de identificar características importantes
para el diagnóstico del Alzheimer, se obtienen mapas de calor
para las imágenes de resonancia magnética del cerebro (MRI).
Se comienza con imágenes preprocesadas y ya cargadas en el
modelo. El proceso se enfoca en la generación de mapas de
calor que destacan las áreas de interés en la imagen. Una vez
que la imagen preprocesada se encuentra en el modelo
VGG16, el objetivo es extraer información relevante de la
última capa convolucional. La Figura 9, muestra el resultado
de la última capa convolucional (altamente especializada), que
contiene características de alto nivel que el modelo ha
aprendido a reconocer.
Fig. 9. Última capa convolucional del algoritmo VGG16. La imagen
muestra un mapa de características de 512 canales, cada uno de los cuales
representa una característica diferente en la imagen.
Una vez obtenida la capa, se multiplica la salida de esta
capa por sus respectivos pesos. Los pesos representan la
importancia de cada característica aprendida por la red.
Luego, se suman estos resultados a lo largo de la capa para
obtener un mapa de características ponderado.
Fig. 10. Mapa de calor obtenido
En la Figura 10, se observa el mapa de calor resultante. Se
ha asignado un tono celeste a las áreas en las que se ha
centrado más la atención del modelo. Esta coloración indica
la ubicación de posibles cambios en la materia blanca del
cerebro, que están relacionados con la enfermedad de
Alzheimer. Las áreas resaltadas en rojo y amarillo representan
niveles crecientes de intensidad o importancia en relación con
los cambios estructurales detectados. Estos colores resaltan las
regiones que podrían ser de mayor relevancia para la detección
y comprensión de las alteraciones en la estructura cerebral
asociadas con el Alzheimer.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
81
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
V. R
ESULTADOS
Se aplicó el modelo a dos casos: (i) un paciente sano; y (ii)
otro paciente con Alzheimer en estado leve. En cada
experimento, se utilizaron todos los patrones aprendidos por
la red neuronal. Sin embargo, en el primer experimento, se le
dio un mayor peso al patrón de cambios en la materia blanca,
mientras que, en el segundo experimento, se le dio un mayor
peso al patrón de cambios en los cuencos cerebrales. Se utilizó
un conjunto de datos de imágenes no vistas previamente para
la experimentación.
Fig. 11. Resonancia magnética cerebral de un paciente sano
Fig. 12. Resultado del procesamiento y prediccion del algoritmo en un
paciente sano
Para el experimento (i) se utilizó la Figura 11 como
imagen de entrada, la cual reveló resultados negativos para la
presencia de Alzheimer (Figura 12). En este caso, no se
encontraron biomarcadores característicos de la enfermedad
en dicha imagen. Para visualizar y resaltar posibles cambios
en la materia blanca del cerebro, se utilizó un mapa de calor.
En este mapa, se enfocó especialmente en las zonas donde se
podrían encontrar cambios estructurales relevantes. La
imagen de prueba de entrada utilizada en el experimento
proporciona una representación visual del estado de la muestra
analizada. Esta imagen, obtenida a partir de resonancia
magnética (MRI), fue seleccionada para evaluar la presencia
o ausencia de características específicas asociadas con la
condición bajo estudio.
Fig. 13. Mapa de Calor resultante del experimiento (i)
La figura 13 muestra el mapa de calor de la imagen
procesada. Se asignó un color celeste a las áreas en las que se
realizó un mayor enfoque, lo que indica la ubicación de
posibles cambios de la materia blanca asociados con el
Alzheimer. Por otro lado, las áreas resaltadas en rojo y
amarillo representan niveles crecientes de intensidad o
importancia en relación con los cambios estructurales
detectados. Estos colores resaltan las regiones que podrían ser
de mayor relevancia para la detección y comprensión de las
alteraciones en la estructura cerebral asociadas con el
Alzheimer.
Fig. 14. Resonancia magnética cerebral de un paciente con Alzheimer en
estado Leve
Fig. 15. Resultado del procesamiento y prediccion del algoritmo en un
paciente con Alzheimer en estado Leve
Para el experimento (ii) se utilizó la Figura 14 como
imagen de entrada la cual arrojó resultados positivos para la
presencia de Alzheimer en una etapa leve (Figura 15). El
algoritmo empleado se enfocó especialmente en el análisis de
los cuencos cerebrales, ya que se ha demostrado que estas
estructuras pueden verse afectadas en etapas tempranas de la
enfermedad. Se utilizó una imagen representativa del objeto
de estudio para llevar a cabo el análisis y las pruebas. La
imagen seleccionada fue sometida a diferentes técnicas de
procesamiento y análisis para extraer información
significativa y revelar patrones o propiedades relevantes. El
uso de esta imagen en el experimento proporcionó una base
para realizar mediciones, comparaciones y conclusiones
objetivas, contribuyendo así al avance de la investigación.
Fig. 16. Mapa de Calor resultante del experimento (ii)
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
82
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
Para visualizar y resaltar los posibles cambios en la
materia blanca del cerebro, se generó un mapa de calor con
características similares al experimento anterior (Figura 16).
En este mapa, se asignó un color celeste a las regiones donde
se concentró el análisis y la atención del algoritmo, lo que
indica la importancia de los cuencos cerebrales en la detección
del Alzheimer leve. Además, se utilizaron los colores rojo y
amarillo para resaltar áreas con niveles crecientes de
intensidad o importancia en relación con los cambios
estructurales detectados. Estas regiones resaltadas podrían ser
indicativas de alteraciones específicas en la materia blanca
asociadas con el Alzheimer en su etapa leve.
El uso del mapa de calor para la identificación de los
cuencos cerebrales y la disminución de la materia blanca como
enfoque principal en este experimento proporciona
información relevante sobre las características distintivas de
la enfermedad en su fase temprana. Estos hallazgos
contribuyen a una mejor comprensión de los cambios
estructurales asociados con el Alzheimer leve y pueden ser de
utilidad en el diagnóstico y seguimiento de la enfermedad en
etapas iniciales.
De los resultados anteriores, en la Figura 12 se puede
observar que la clasificación obtenida para el experimento (i)
fue de "Sin Alzheimer". Esta clasificación indica que, según
los datos proporcionados por las imágenes de resonancia
magnética (MRI), no se encontraron biomarcadores
característicos del Alzheimer. Por lo tanto, se concluye que el
sujeto no presenta signos de la enfermedad. En contraste, en
el experimento (ii), la Figura 15 detalla los resultados, los
cuales revelaron una clasificación de "Alzheimer Leve". Esto
indica que, según los datos obtenidos de las imágenes de
resonancia magnética (MRI), se encontraron indicios
tempranos de la enfermedad de Alzheimer en el sujeto
evaluado.
En ambos experimentos, se destaca que los resultados
proporcionados por el sistema de diagnóstico del Alzheimer
basado en imágenes pueden ser considerados como una
herramienta complementaria para la toma de decisiones
médicas. Sin embargo, en aplicaciones reales, es importante
tener en cuenta que los resultados de los experimentos (i) y (ii)
deben considerarse con cautela y no deben ser tomados como
un diagnóstico concluyente.
De forma general, el sistema de diagnóstico basado en
imágenes que se propone, demuestra ser una potencial
herramienta útil para la identificación y clasificación de
diferentes etapas del Alzheimer. No obstante, los resultados
que arroja el sistema propuesto deben ser interpretados y
validados por un médico especialista los cuales, luego de
exámenes adicionales, posiblemente ayuden al diagnóstico
definitivo de la enfermedad de Alzheimer en sus diferentes
etapas.
A. Comparación con Trabajos Relacionados
Para evaluar el rendimiento de nuestro método, lo
comparamos con otros métodos existentes para el diagnóstico
de la enfermedad de Alzheimer (EA). La comparación se
realizó utilizando diferentes conjuntos de datos, clases y
tamaños de muestra, características, algoritmos y si tiene una
clasificación binaria, múltiple o mixta.
T
ABLA
1.
C
OMPARACIÓN CON MÉTODOS EXISTENTES PARA CLASIFICACIÓN
BINARIA Y
M
ULTIPLE
N° Autor
Base
de
Datos
Año
Binaria
Múltiple
%
Precisión
1
[42]
ADNI 2023
Si
Si
77
2
[43]
ADNI 2022
Si
No
85.12
3
[44]
OASIS 2023
Si
No
95.48
4
[45]
ADNI 2023
Si
No
89
5
[46]
ADRe
SS
2021
Si
Si
84-90
6
[32]
ADNI 2021
Si
Si
80.9
7
[47]
ADNI 2021
Si
Si
81.73
8
[48]
OASIS 2021
Si
No
80
9
[49]
OASIS 2021
No
Si
72.8
10
[50]
OASIS 2022
No
Si
74.9
11
Propuesta
OASIS 2023
Si
Si
+82
La Tabla 1 presenta una comparativa de diversos estudios
y las bases de datos empleadas, con el método propuesto
ubicándose en un punto intermedio en términos de
desempeño. Cuando se trata de la clasificación binaria
(determinando si alguien presenta o no la enfermedad), el
método propuesto se encuentra en línea con la media de los
métodos existentes. Sin embargo, en el caso de la clasificación
múltiple, donde se deben identificar distintas categorías
relacionadas con la enfermedad, el método propuesto supera
el rendimiento promedio. Cabe destacar que los estudios
evaluados se basaban en una clasificación en cuatro
categorías, al igual que el enfoque de este trabajo.
VI. C
ONCLUSIONES Y
R
ECOMENDACIONES
A lo largo de este estudio, se demostró que el algoritmo de
aprendizaje profundo VGG16, combinado con el análisis de
imágenes de resonancia magnética, es un enfoque prometedor
para el diagnóstico temprano de la enfermedad de Alzheimer.
Se crearon módulos para el preprocesamiento de datos,
entrenamiento y prueba del modelo, así como para la interfaz
de usuario, asegurando la usabilidad del sistema. La
metodología propuesta permitió alcanzar una precisión
notable en la identificación de patrones de cambio estructural
en el cerebro relacionados con esta enfermedad
neurodegenerativa. Sin embargo, es importante destacar que,
aunque la clasificación de una imagen de resonancia
magnética es un componente crucial del diagnóstico, no es
suficiente por sí sola. Los resultados de los experimentos han
demostrado que el sistema es capaz de identificar y clasificar
diferentes etapas de Alzheimer con una precisión razonable.
Sin embargo, el diagnóstico final siempre debe ser realizado
por profesionales médicos calificados, tomando en cuenta
múltiples factores clínicos y pruebas adicionales.
En cuanto a los datos, a pesar de tener un conjunto de datos
considerable de imágenes de resonancia magnética, la
precisión del modelo podría haber sido mayor con un conjunto
de datos más extenso y diverso. El desempeño del modelo
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
83
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January – June 2024
depende en gran medida de la cantidad y la calidad de los datos
de entrenamiento. El entrenamiento del modelo de aprendizaje
profundo y la implementación del sistema requirieron una
capacidad de hardware significativa. No obstante, la
infraestructura de hardware existente y las técnicas de
optimización permitieron llevar a cabo el proyecto de manera
eficiente.
A pesar de los resultados positivos obtenidos, se sugiere
continuar con la investigación y el desarrollo en esta área para
mejorar aún más la precisión y la eficacia de estas técnicas.
Podría ser valioso explorar la integración de otros algoritmos
de aprendizaje profundo o incluso enfoques híbridos, así
como, el uso de librerías adicionales y actualizaciones que
podrían mejorar la eficiencia del sistema.
Además, se recomienda implementar un proceso de
validación más extenso que incluya una variedad más amplia
de conjuntos de datos, es decir, recopilar más imágenes de
resonancia magnética, preferiblemente de diversas etapas de
la enfermedad y de diferentes poblaciones y grupos de edad.
Asimismo, se sugiere que este sistema se utilice en conjunto
con otras pruebas clínicas y de laboratorio. Todo esto para
garantizar que el sistema pueda manejar una diversidad más
amplia de casos.
Finalmente, para proyectos futuros de mayor escala, puede
ser beneficioso invertir en hardware más potente o explorar
soluciones en la nube para manejar el entrenamiento y la
implementación de modelos de aprendizaje profundo. Es
importante destacar que, aunque estas técnicas presentan un
gran potencial, su uso debe complementar, y no reemplazar,
las evaluaciones clínicas tradicionales llevadas a cabo por
profesionales de la salud.
R
EFERENCIAS
[1] S. O. Danso, Z. Zeng, G. Muniz-Terrera, and C. W. Ritchie,
“Developing an Explainable Machine Learning-Based Personalised
Dementia Risk Prediction Model: A Transfer Learning Approach
With Ensemble Learning Algorithms,” Front. Big Data, vol. 4, no.
May, pp. 1–14, 2021, doi: 10.3389/fdata.2021.613047.
[2] G. Mukhtar and S. Farhan, “Convolutional neural network based
prediction of conversion from mild cognitive impairment to
alzheimer’s disease: A technique using hippocampus extracted from
MRI,” Adv. Electr. Comput. Eng., vol. 20, no. 2, pp. 113–122, 2020,
doi: 10.4316/AECE.2020.02013.
[3] A. Gopalsamy, B. Radha, and K. Haridas, “Prediction of
neurodegenerative disease using brain image analysis with
multilinear principal component analysis and quadratic discriminant
analysis,” Int. J. Adv. Technol. Eng. Explor., vol. 9, no. 90, pp. 604–
622, 2022, doi: 10.19101/IJATEE.2021.875325.
[4] M. Odusami, R. Maskeliūnas, R. Damaševičius, and S. Misra,
“Explainable Deep-Learning-Based Diagnosis of Alzheimer’s
Disease Using Multimodal Input Fusion of PET and MRI Images,” J.
Med. Biol. Eng., vol. 43, no. 3, pp. 291–302, 2023, doi:
10.1007/s40846-023-00801-3.
[5] T. O. Frizzell et al., “Artificial intelligence in brain MRI analysis of
Alzheimer’s disease over the past 12 years: A systematic review,”
Ageing Res. Rev., vol. 77, no. March 2021, p. 101614, 2022, doi:
10.1016/j.arr.2022.101614.
[6] C. Kavitha, V. Mani, S. R. Srividhya, O. I. Khalaf, and C. A. Tavera
Romero, “Early-Stage Alzheimer’s Disease Prediction Using
Machine Learning Models,” Front. Public Heal., vol. 10, no. March,
pp. 1–13, 2022, doi: 10.3389/fpubh.2022.853294.
[7] M. EL-Geneedy, H. E. D. Moustafa, F. Khalifa, H. Khater, and E.
AbdElhalim, “An MRI-based deep learning approach for accurate
detection of Alzheimer’s disease,” Alexandria Eng. J., vol. 63, pp.
211–221, 2023, doi: 10.1016/j.aej.2022.07.062.
[8] D. Agarwal, M. A. Berbis, T. Martín-Noguerol, A. Luna, S. C. P.
Garcia, and I. de la Torre-Díez, “End-to-End Deep Learning
Architectures Using 3D Neuroimaging Biomarkers for Early
Alzheimer’s Diagnosis,” Mathematics, vol. 10, no. 15, pp. 1–28,
2022, doi: 10.3390/math10152575.
[9] M. Ansart et al., “Predicting the progression of mild cognitive
impairment using machine learning: A systematic, quantitative and
critical review,” Med. Image Anal., vol. 67, p. 101848, 2021, doi:
10.1016/j.media.2020.101848.
[10] X. Song et al., “Graph convolution network with similarity
awareness and adaptive calibration for disease-induced deterioration
prediction,” Med. Image Anal., vol. 69, p. 101947, 2021, doi:
10.1016/j.media.2020.101947.
[11] R. Jain, N. Jain, A. Aggarwal, and D. J. Hemanth, “Convolutional
neural network based Alzheimer’s disease classification from
magnetic resonance brain images,” Cogn. Syst. Res., vol. 57, pp.
147–159, 2019, doi: 10.1016/j.cogsys.2018.12.015.
[12] M. Sudharsan and G. Thailambal, “Alzheimer’s disease prediction
using machine learning techniques and principal component analysis
(PCA),” Mater. Today Proc., no. xxxx, 2021, doi:
10.1016/j.matpr.2021.03.061.
[13] T. Zhou, K. H. Thung, M. Liu, F. Shi, C. Zhang, and D. Shen,
“Multi-modal latent space inducing ensemble SVM classifier for
early dementia diagnosis with neuroimaging data,” Med. Image
Anal., vol. 60, 2020, doi: 10.1016/j.media.2019.101630.
[14] Z. Pei et al., “Alzheimer’s disease diagnosis based on long-range
dependency mechanism using convolutional neural network,”
Multimed. Tools Appl., vol. 81, no. 25, pp. 36053–36068, 2022, doi:
10.1007/s11042-021-11279-z.
[15] M. Subramoniam, T. R. Aparna, P. R. Anurenjan, and K. G. Sreeni,
“Deep Learning-Based Prediction of Alzheimer’s Disease
from Magnetic Resonance Images,” pp. 145–151, 2022, doi:
10.1007/978-981-16-7771-7_12.
[16] N. Mahendran and D. R. V. P M, “A deep learning framework with
an embedded-based feature selection approach for the early detection
of the Alzheimer’s disease,” Comput. Biol. Med., vol. 141, no.
September 2021, p. 105056, 2022, doi:
10.1016/j.compbiomed.2021.105056.
[17] G. Castellazzi et al., “A Machine Learning Approach for the
Differential Diagnosis of Alzheimer and Vascular Dementia Fed by
MRI Selected Features,” Front. Neuroinform., vol. 14, no. June, pp.
1–13, 2020, doi: 10.3389/fninf.2020.00025.
[18] S. B. Çelebi and B. G. Emiroğlu, “A Novel Deep Dense Block-
Based Model for Detecting Alzheimer’s Disease,” Appl. Sci., vol. 13,
no. 15, 2023, doi: 10.3390/app13158686.
[19] C. Y. Cheung et al., “A deep learning model for detection of
Alzheimer’s disease based on retinal photographs: a retrospective,
multicentre case-control study,” Lancet Digit. Heal., vol. 4, no. 11,
pp. e806–e815, 2022, doi: 10.1016/S2589-7500(22)00169-8.
[20] E. Lella, A. Pazienza, D. Lofù, R. Anglani, and F. Vitulano, “An
ensemble learning approach based on diffusion tensor imaging
measures for Alzheimer’s disease classification,” Electron., vol. 10,
no. 3, pp. 1–16, 2021, doi: 10.3390/electronics10030249.
[21] A. El-Gawady, M. A. Makhlouf, B. S. Tawfik, and H. Nassar,
“Machine Learning Framework for the Prediction of Alzheimer’s
Disease Using Gene Expression Data Based on Efficient Gene
Selection,” Symmetry (Basel)., vol. 14, no. 3, 2022, doi:
10.3390/sym14030491.
[22] J. Zhang et al., “Predicting future cognitive decline with hyperbolic
stochastic coding,” Med. Image Anal., vol. 70, p. 102009, 2021, doi:
10.1016/j.media.2021.102009.
[23] F. Al-khuzaie, “PREDICTION OF ALZHEIMER ’ S DISEASE
FROM 2-D ANATOMICAL MAGNETIC Institute of Graduate
Studies Electrical and Computer Engineering PREDICTION OF
ALZHEIMER ’ S DISEASE FROM 2-D ANATOMICAL
MAGNETIC RESONANCE IMAGES USING DEEP LEARNING
Fanar Emad Khazaal AL-,” no. November, 2022, doi:
10.13140/RG.2.2.13245.95205.
[24] A. Alsaedi, “On Prediction of Early Signs of Alzheimer’s—A
Machine Learning Framework,” ProQuest Diss. Theses, p. 101,
2021, [Online]. Available: https://www.proquest.com/dissertations-
theses/on-prediction-early-
signs-alzheimer-s-
machine/docview/2599058272/se-2?accountid=28534%0Ahttps://i-
share-
rsh.primo.exlibrisgroup.com/openurl/01CARLI_RSH/01CARLI_RS
H:CARLI_RSH?url_ver=Z39.88-2004&rft_val_fmt=inf
[25] H. Li, M. Habes, D. A. Wolk, and Y. Fan, “A deep learning model
for early prediction of Alzheimer’s disease dementia based on
hippocampal magnetic resonance imaging data,” Alzheimer’s
Dement., vol. 15, no. 8, pp. 1059–1070, 2019, doi:
10.1016/j.jalz.2019.02.007.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
84
DOI:
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
10.5281/zenodo.10402361
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024.
[26] C. Navarro, “Revisión de metodologías ágiles para el desarrollo de
software.,” Prospectiva, vol. 11, no. 2, pp. 30–39, 2013, [Online].
Available:
http://www.redalyc.org/articulo.oa?id=496250736004%0ACómo
[27] G. Rojas C., D. L. de Guevara, R. Jaimovich F., E. Brunetti, E. Faure
L., and M. Gálvez M., “NEUROIMÁGENES EN DEMENCIAS,”
Rev. Médica Clínica Las Condes, vol. 27, no. 3, pp. 338–356, 2016,
doi: 10.1016/j.rmclc.2016.06.008.
[28] C. Wang et al., “A high-generalizability machine learning
framework for predicting the progression of Alzheimer’s disease
using limited data,” npj Digit. Med., vol. 5, no. 1, pp. 1–10, 2022,
doi: 10.1038/s41746-022-00577-x.
[29] S. Wu et al., “Application of artificial intelligence in clinical
diagnosis and treatment: an overview of systematic reviews,” Intell.
Med., vol. 2, no. 2, pp. 88–96, 2022, doi:
10.1016/j.imed.2021.12.001.
[30] T. Habuza, N. Zaki, E. A. Mohamed, and Y. Statsenko, “Deviation
from Model of Normal Aging in Alzheimer’s Disease: Application
of Deep Learning to Structural MRI Data and Cognitive Tests,”
IEEE Access, vol. 10, pp. 53234–53249, 2022, doi:
10.1109/ACCESS.2022.3174601.
[31] M. Liu, “Joint Classification and Regression via Deep Multi-Task
Multi- Channel Learning for Alzheimer’s Disease Diagnosis,”
Physiol. Behav., vol. 176, no. 1, pp. 139–148, 2019, doi:
10.1109/TBME.2018.2869989.Joint.
[32] J. E. Arco, J. Ramírez, J. M. Górriz, and M. Ruz, “Data fusion based
on Searchlight analysis for the prediction of Alzheimer’s disease,”
Expert Syst. Appl., vol. 185, 2021, doi: 10.1016/j.eswa.2021.115549.
[33] S. Basheer, S. Bhatia, and S. B. Sakri, “Computational Modeling of
Dementia Prediction Using Deep Neural Network: Analysis on
OASIS Dataset,” IEEE Access, vol. 9, pp. 42449–42462, 2021, doi:
10.1109/ACCESS.2021.3066213.
[34] A. V. Lebedev et al., “Random Forest ensembles for detection and
prediction of Alzheimer’s disease with a good between-cohort
robustness,” NeuroImage Clin., vol. 6, pp. 115–125, 2014, doi:
10.1016/j.nicl.2014.08.023.
[35] C. V. Angkoso, H. P. A. Tjahyaningtijas, Y. Adrianto, A. D.
Sensusiati, I. K. E. Purnama, and M. H. Purnomo, “Multi-Features
Fusion in Multi-plane MRI Images for Alzheimer’s Disease
Classification,” Int. J. Intell. Eng. Syst., vol. 15, no. 4, pp. 182–197,
2022, doi: 10.22266/ijies2022.0831.17.
[36] S. Toshkhujaev et al., “Classification of Alzheimer’s Disease and
Mild Cognitive Impairment Based on Cortical and Subcortical
Features from MRI T1 Brain Images Utilizing Four Different Types
of Datasets,” J. Healthc. Eng., vol. 2020, no. Mci, 2020, doi:
10.1155/2020/3743171.
[37] K. Shirbandi et al., “Accuracy of deep learning model-assisted
amyloid positron emission tomography scan in predicting
Alzheimer’s disease: A Systematic Review and meta-analysis,”
Informatics Med. Unlocked, vol. 25, no. July, p. 100710, 2021, doi:
10.1016/j.imu.2021.100710.
[38] K. M. Poloni, I. A. Duarte de Oliveira, R. Tam, and R. J. Ferrari,
“Brain MR image classification for Alzheimer’s disease diagnosis
using structural hippocampal asymmetrical attributes from
directional 3-D log-Gabor filter responses,” Neurocomputing, vol.
419, pp. 126–135, 2021, doi: 10.1016/j.neucom.2020.07.102.
[39] M. K. Keles and U. Kilic, “Classification of Brain Volumetric Data
to Determine Alzheimer’s Disease Using Artificial Bee
Colony Algorithm as Feature Selector,” IEEE Access, vol. 10, no.
July, pp. 82989–83001, 2022, doi: 10.1109/ACCESS.2022.3196649.
[40] Instituto Nacional de Ciencias Neurológicas Perú, “Instituto
Nacional de Ciencias Neurológicas Perú.” https://www.incn.gob.pe/
(accessed Oct. 29, 2023).
[41] D. S. Marcus, T. H. Wang, J. Parker, J. G. Csernansky, J. C. Morris,
and R. L. Buckner, “Open Access Series of Imaging Studies
(OASIS): Cross-sectional MRI Data in Young, Middle Aged,
Nondemented, and Demented Older Adults,” J. Cogn. Neurosci.,
vol. 19, no. 9, pp. 1498–1507, Sep. 2007, doi:
10.1162/jocn.2007.19.9.1498.
[42] P. Carcagnì, M. Leo, M. Del Coco, C. Distante, and A. De Salve,
“Convolution Neural Networks and Self-Attention Learners for
Alzheimer Dementia Diagnosis from Brain MRI,” Sensors, vol. 23,
no. 3, 2023, doi: 10.3390/s23031694.
[43] S. Liu et al., “Generalizable deep learning model for early
Alzheimer’s disease detection from structural MRIs,” Sci. Rep., vol.
12, no. 1, pp. 1–12, 2022, doi: 10.1038/s41598-022-20674-x.
[44] S. Lahmiri, “Integrating convolutional neural networks, kNN, and
Bayesian optimization for efficient diagnosis of Alzheimer’s disease
in magnetic resonance images,” Biomed. Signal Process. Control,
vol. 80, p. 104375, Feb. 2023, doi: 10.1016/J.BSPC.2022.104375.
[45] X. Zheng, J. Cawood, C. Hayre, and S. Wang, “Computer assisted
diagnosis of Alzheimer’s disease using statistical likelihood-ratio
test,” PLoS One, vol. 18, no. 2 February, pp. 1–11, 2023, doi:
10.1371/journal.pone.0279574.
[46] E. Villatoro-Tello, S. P. Dubagunta, J. Fritsch, G. Raḿirez-De-La-
Rosa, P. Motlicek, and M. Magimai.-Doss, “Late fusion of the
available lexicon and raw waveform-based acoustic modeling for
depression and dementia recognition,” Proc. Annu. Conf. Int. Speech
Commun. Assoc. INTERSPEECH, vol. 1, pp. 161–165, 2021, doi:
10.21437/Interspeech.2021-1288.
[47] S. D. Mishra and M. Dutta, “Modality feature fusion based
Alzheimer’s disease prognosis,” Optik (Stuttg)., vol. 272, p. 170347,
2023, doi: 10.1016/j.ijleo.2022.170347.
[48] C. L. Saratxaga et al., “Mri deep learning-based solution for
alzheimer’s disease prediction,” J. Pers. Med., vol. 11, no. 9, 2021,
doi: 10.3390/jpm11090902.
[49] W. H. L. Pinaya et al., “Using normative modelling to detect disease
progression in mild cognitive impairment and Alzheimer’s disease in
a cross-sectional multi-cohort study,” Sci. Rep., vol. 11, no. 1, pp. 1–
13, 2021, doi: 10.1038/s41598-021-95098-0.
[50] S. Gupta, V. Saravanan, A. Choudhury, A. Alqahtani, M. R.
Abonazel, and K. S. Babu, “Supervised Computer-Aided Diagnosis
(CAD) Methods for Classifying Alzheimer’s Disease-Based
Neurodegenerative Disorders,” Comput. Math. Methods Med., vol.
2022, 2022, doi: 10.1155/2022/9092289.
ISSN:1390-9266 e-ISSN:1390-9134 LAJC 2024
85
LATIN-AMERICAN JOURNAL OF COMPUTING (LAJC), Vol XI, Issue 1, January 2024
AUTHORS
Werner Shtaniklao Ucañay Barreto - Graduado en Ingeniería de
Sistemas en el año 2023 de la Universidad Católica Sedes Sapientiae.
Su línea de investigación apunta hacia el área de la Inteligencia Artificial
y la Visión por Computadora. A lo largo de su formación académica,
ha desarrollado habilidades y conocimientos en la aplicación de
técnicas de Inteligencia Artificial para resolver problemas complejos.
Su enfoque en la Visión por Computadora le ha permitido explorar y
comprender cómo las máquinas pueden procesar y analizar imágenes
y videos de manera eficiente, lo que tiene aplicaciones en una amplia
gama de industrias, desde la salud hasta la automatización industrial.
Además, sus intereses incluyen la aplicación de la inteligencia artificial
en el campo de la medicina, soluciones que aprovechen el poder de
la inteligencia artificial para mejorar el diagnóstico médico, el análisis
de imágenes médicas y la atención al paciente. Cree que la sinergia
entre la tecnología y la medicina tiene el potencial de revolucionar la
atención médica y mejorar la calidad de vida de las personas.
Marco Antonio Coral Ygnacio es Magister en Ciencias en Ingeniería de
Sistemas y Computación. Obtuvo su título de grado en la Universidad
Inca Garcilaso de la Vega en 2001 y su maestría en ciencias en ingeniería
de sistemas y computación en la misma universidad en 2006. Desde
2007, se desempeña como docente en la Facultad de Ingeniería de
Sistemas e Informática de la Universidad Nacional Mayor de San
Marcos y es docente investigador en la misma facultad. Además,
desde 2011, forma parte del equipo docente de la Universidad Católica
Sedes Sapientiae en Lima. Coral Ygnacio cuenta con una amplia
experiencia en ingeniería de sistemas y computación, participando en
proyectos relacionados con el desarrollo de sistemas de información,
inteligencia artificial y aprendizaje automático. Además, ha llevado
a cabo investigaciones centradas en la gestión administrativa en las
universidades públicas peruanas. Su compromiso con la educación y
la investigación se refleja en su carrera como docente e investigador
en el campo de la ingeniería de sistemas y la gestión administrativa.
Werner Shtaniklao Ucañay Barreto
Marco Antonio Coral Ygnacio
W. S. Ucañay Barreto, and M. A. Coral Ygnacio,
“Alzheimer's Diagnosis System based on Magnetic Resonance Imaging using the VGG16 Algorithm”,
Latin-American Journal of Computing (LAJC), vol. 11, no. 1, 2024
