María Camila Castaño Martínez, Jonnatan Arias García, Walter Serna Serna, David A. Cárdenas Peña, Álvaro A. Orozco-Gutierrez
La enfermedad del Alzheimer es un trastorno neurológico que causa la pérdida de autonomía y memoria en las personas que la padecen. Debido al aumento de casos de este padecimiento y la falta de precisión de las herramientas de diagnóstico se da paso al desarrollo de nuevas herramientas capaces de disminuir esta problemática. El objetivo principal de este trabajo investigativo es implementar un modelo de red neuronal convolucional tridimensional con estructura base tipo AlexNet3D para obtener la predicción de un posible diagnóstico de la enfermedad Alzheimer (AD) a partir del análisis de imágenes por resonancia magnética, utilizando como etapa temprana el síndrome de deterioro cognitivo leve (MCI). Este proyecto brindará la explicación de cada fase planteada, las cuales fueron dividas en selección de las bases de datos, elección de características, procesamiento de los datos, desarrollo del modelo para su entrenamiento y validación, y por último, resultados obtenidos a partir de las pruebas de predicción. Con las cuales pudo obtenerse un porcentaje del 72,222 %, permitiendo catalogar al modelo K-Net95 como una red estable y eficiente, a pesar de las limitaciones computacionales a las que se vio limitado el proyecto.
Alzheimer’s disease is a neurological disorder that causes loss of autonomy and memory in people who suffer from it. Due to the increase in cases of this disease and the lack of accuracy of diagnostic tools, new tools capable of addressing this issue are being developed. The main objective of this research work is to implement a three-dimensional convolutional neural network model with AlexNet3D type base structure to predict the possible diagnosis of Alzheimer’s disease (AD). from the analysis of magnetic resonance images, using as an early stage mild cognitive impairment syndrome (MCI). The construction phases of the project will be explained, divided into database selection, feature selection, data processing, model development for training and validation, and finally, results obtained from prediction tests. With this it was possible to obtain a percentage of 72,222 %, allowing the K-Net95 model to be cataloged as a stable and efficient network, despite the computational limitations to which the project was limited.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados