Clasificación de imágenes de resonancia magnética de Alzheimer mediante aprendizaje profundo

Abstract

Este trabajo se centra en el desarrollo de un sistema de clasificación automática de imágenes de resonancia magnética (MRI) estructural para la detección de la enfermedad de Alzheimer en diferentes estadios clínicos (CN, MCI y VMCI), utilizando modelos de aprendizaje profundo. Se ha empleado un subconjunto de datos derivado del estudio público ADNI, procesado desde la plataforma Kaggle, y se han evaluado diferentes arquitecturas de redes convolucionales, incluyendo modelos conocidos como ResNet18, AlexNet y MobileNet, así como una red CNN propuesta en la literatura. A lo largo del proyecto se han explorado distintas configuraciones de preprocesado, normalización, selección de cortes cerebrales por paciente, aumento de datos y uso de optimizadores. Los resultados muestran que la combinación de una selección cuidadosa de cortes axiales, junto con normalización estándar y el uso del optimizador Adam, proporciona el mejor rendimiento en términos de precisión y F1-score. Además, se ha evidenciado la importancia de una correcta separación de datos por paciente y una evaluación crítica de modelos disponibles en repositorios públicos, evitando fugas de información. Aunque los rendimientos alcanzados no son óptimos, el trabajo sienta las bases para futuras mejoras y análisis más profundos en este ámbito.