Deep Convolutional Generative Adversarial Networks (DCGANs) and transfer learning for Alzheimer’s disease classification

Abstract

La enfermedad de Alzheimer (EA) presenta un desafío de salud global apremiante, con proyecciones que indican su impacto en 139 millones de personas para el año 2050. Sin embargo, el acceso a resonancias magnéticas (MRI) para el diagnóstico de la EA sigue siendo limitado y éticamente complejo, exacerbado por el desequilibrio frecuente encontrado en conjuntos de datos de acceso abierto. Este estudio aborda estos desafíos empleando Redes Generativas Antagónicas Convolucionales Profundas (DCGANs) para generar imágenes sintéticas de resonancia magnética cerebral que reflejan diversas etapas de la EA. El objetivo principal de este trabajo es utilizar DCGANs junto con un clasificador (MobileNetV2) para mejorar el reconocimiento de las etapas de la EA mediante MRI. Nuestros resultados demuestran un notable aumento del 11% en precisión, logrando una precisión del 88% en la clasificación de etapas de la EA con la ayuda de DCGANs, en comparación con el uso del conjunto de datos original solo (precisión del 77%). Además, se calcularon índices de calidad de imagen como SSIM y MSE para evaluar las imágenes sintéticas. A pesar de limitaciones, como el emparejamiento incorrecto de patrones entre conjuntos de datos de prueba y entrenamiento, esta investigación subraya el considerable potencial de DCGANs en el avance del diagnóstico asistido por computadora de la EA. Futuras líneas de investigación podrían explorar la refinación de metodologías de entrenamiento de modelos y expandir el alcance para abarcar métricas adicionales relacionadas con la EA para un soporte diagnóstico integral.