Please use this identifier to cite or link to this item: http://repositorio.yachaytech.edu.ec/handle/123456789/773
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorFonseca Delgado, Rigoberto Salomón-
dc.contributor.authorAguilar Martínez, Jaylenne Salomé-
dc.date.accessioned2024-05-15T17:07:33Z-
dc.date.available2024-05-15T17:07:33Z-
dc.date.issued2024-05-
dc.identifier.urihttp://repositorio.yachaytech.edu.ec/handle/123456789/773-
dc.descriptionAlzheimer’s disease (AD) presents a pressing global health challenge, with projections indicating its impact on 139 million people by 2050. However, access to MRI scans for AD diagnosis remains limited and ethically complex, compounded by the imbalance often found in open-access datasets. This study addresses these challenges by employing Deep Convolutional Generative Adversarial Networks (DCGANs) to generate synthetic brain magnetic resonance images reflecting various stages of AD. The primary objective of this work is to utilize DCGANs alongside a classifier (MobileNetV2) to enhance AD stage recognition via MRI. Our results demonstrate a noteworthy 11% increase in accuracy, achieving 88% accuracy in classifying AD stages with the assistance of DCGANs, compared to using the original dataset alone (77% accuracy). Additionally, image quality indexes such as SSIM and MSE were computed to assess the synthetic images. Despite limitations, such as incorrect pattern matching between test and training datasets, this research underscores the considerable potential of DCGANs in advancing computer-aided AD diagnosis. Future research avenues may explore refining model training methodologies and expanding the scope to encompass additional AD-related metrics for comprehensive diagnostic support.es
dc.description.abstractLa 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.es
dc.language.isoenges
dc.publisherUniversidad de Investigación de Tecnología Experimental Yachayes
dc.rightsopenAccesses
dc.subjectAprendizaje por transferenciaes
dc.subjectClasificación de Alzheimeres
dc.subjectProcesamiento de imágenes médicases
dc.subjectTransfer learninges
dc.subjectAlzheimer’s classificationes
dc.subjectMedical image processinges
dc.titleDeep Convolutional Generative Adversarial Networks (DCGANs) and transfer learning for Alzheimer’s disease classificationes
dc.typebachelorThesises
dc.description.degreeIngeniero/a Biomédico/aes
dc.pagination.pages64 hojases
Appears in Collections:Biomedicina

Files in This Item:
File Description SizeFormat 
ECBI0201.pdf8.28 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.