Deep convolutional generative adversarial networks (DCGANs) applied to synthetic image augmentation to improve object classification for Alzheimer disease

Abstract

El Alzheimer es una enfermedad neurodegenerativa progresiva que afecta al cerebro causando demencia. Se caracteriza por la pérdida gradual de las funciones cognitivas, la memoria y las habilidades de pensamiento. Debido al impacto de esta enfermedad en nuestra sociedad, este trabajo se centra en la aplicación de redes generativas adversariales (GANs), concretamente utilizando una Red Generativa Adversarial Convolucional Profunda (DCGAN), para la generación de imágenes sintéticas de la enfermedad de Alzheimer basadas en Imágenes de Resonancia Magnética (MRI) reales. La red se entrena sobre un conjunto de datos de imágenes de Alzheimer para aprender las características distintivas de la enfermedad. Por lo tanto, el objetivo principal es mejorar la precisión en tareas de clasificación posteriores entrenando modelos de clasificación con conjuntos de datos aumentados con imágenes sintéticas. El proceso comienza con la implementación de un DCGAN y se utiliza para generar nuevas imágenes sintéticas. Posteriormente, se evalúa el impacto de estas imágenes sintéticas en la precisión de los algoritmos de clasificación. Se utilizan varios modelos, como InceptionV3, AlexNet, VGG-16 y ResNet-18, para realizar las tareas de clasificación. Los resultados muestran que InceptionV3 (94,25% frente a 95,40%) y AlexNet (91,95% frente a 95,40%) obtienen los mejores resultados de precisión en el conjunto de pruebas. Además, se utiliza el algoritmo t-SNE para verificar que las imágenes sintéticas han adoptado características de las originales. Este estudio demuestra la utilidad de la generación de imágenes sintéticas con DCGAN para mejorar la capacidad de los algoritmos de clasificación para identificar las diferentes etapas del Alzheimer.