Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Montagna, Derick Abreu
Orientador(a): Silva, Danilo
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/265605
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
id UFSC_50f616c3bd9b2ca42b5cecffb799b068
oai_identifier_str oai:repositorio.ufsc.br:123456789/265605
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaMontagna, Derick AbreuSilva, Danilo2025-06-09T23:26:51Z2025-06-09T23:26:51Z2025392229https://repositorio.ufsc.br/handle/123456789/265605Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.O avanço do aprendizado profundo tem impulsionado o uso de redes neurais convolucionais no apoio ao diagnóstico da Doença de Alzheimer por meio de imagens de ressonância magnética. No entanto, a aplicação prática desses modelos enfrenta dois desafios principais: a escassez de dados rotulados e o deslocamento de domínio, causado por variações entre scanners de diferentes fabricantes. Esse cenário compromete a generalização dos modelos em ambientes clínicos reais. Para mitigar essa limitação, surgem técnicas de adaptação de domínio não supervisionada (UDA), que permitem transferir conhecimento de um domínio fonte para um domínio alvo, mantendo a tarefa de classificação. Contudo, muitos estudos utilizam protocolos de validação inadequados, recorrendo indevidamente a rótulos do domínio alvo para ajuste de hiperparâmetros, o que não reflete a prática clínica. Este estudo propõe uma avaliação mais realista e metodologicamente rigorosa de técnicas de UDA aplicadas à classificação binária da Doença de Alzheimer com imagens do conjunto ADNI1. Foi empregada uma pipeline de pré-processamento com etapas como extração cerebral, co-registro, padronização de fatias e separação dos domínios por fabricante (Siemens, GE, Philips), garantindo a integridade entre treino e teste por sujeito. Foram avaliadas três técnicas de UDA (ATDOC, BNM e MCC) combinadas com quatro validadores (Entropia, SND, InfoMax e Oracle). O treinamento ocorreu em duas fases: na primeira, os modelos foram ajustados apenas no domínio fonte com supervisão; na segunda, aplicou-se UDA com ajuste guiado exclusivamente por validadores não supervisionados (exceto o Oracle, usado como limite superior). Os resultados demonstraram que modelos treinados apenas no domínio fonte sofreram queda substancial de desempenho em domínios distintos. A aplicação de técnicas de UDA resultou em ganhos consistentes de AUROC, especialmente em cenários com alta discrepância entre domínios. A combinação da técnica MCC com o validador Entropia obteve o melhor desempenho médio e menor variabilidade, evidenciando maior robustez. Dentre os validadores, Entropia e InfoMax mostraram-se mais eficazes, enquanto o SND apresentou instabilidade. Em síntese, os achados ressaltam o potencial da UDA para promover a generalização de modelos em cenários com mudança de domínio, mas também evidenciam que a validação permanece o principal desafio, sendo crucial o desenvolvimento de estratégias mais confiáveis para aplicações clínicas.Abstract: The advancement of deep learning has driven the use of convolutional neural networks to support the diagnosis of Alzheimer's disease using magnetic resonance imaging. However, the practical application of these models faces two main challenges: the scarcity of labeled data and domain shift, caused by variations between scanners from different manufacturers. This scenario compromises the generalization of models in real clinical settings. To mitigate this limitation, unsupervised domain adaptation (UDA) techniques have emerged, which allow transferring knowledge from a source domain to a target domain while maintaining the classification task. However, many studies use inadequate validation protocols, inappropriately resorting to labels from the target domain for hyperparameter tuning, which does not reflect clinical practice. This study proposes a realistic and methodologically rigorous evaluation of UDA techniques applied to the binary classification of Alzheimer's disease using images from the ADNI1 set. A preprocessing pipeline with steps such as brain extraction, co-registration, slice standardization and domain separation by manufacturer (Siemens, GE, Philips) was employed, ensuring integrity between training and testing per subject. Three UDA techniques (ATDOC, BNM and MCC) combined with four validators (Entropia, SND, InfoMax and Oracle) were evaluated. Training occurred in two phases: in the first, the models were adjusted only in the source domain with supervision; in the second, UDA was applied with adjustment guided exclusively by unsupervised validators (except Oracle, used as an upper limit). The results demonstrated that models trained only in the source domain suffered a substantial drop in performance in different domains. The application of UDA techniques resulted in consistent AUROC gains, especially in scenarios with high discrepancy between domains. The combination of the MCC technique with the Entropia validator obtained the best average performance and lowest variability, evidencing greater robustness. Among the validators, Entropia and InfoMax were the most effective, while SND showed instability. In summary, the findings highlight the potential of UDA to promote model generalization in scenarios with domain change, but also show that validation remains the main challenge, and the development of more reliable strategies for clinical applications is crucial.59 p.| il., tabs.porEngenharia elétricaAlzheimer, Doença deImagem de ressonância magnéticaDiagnóstico por imagemAdaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnéticainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2235-D.pdfPEEL2235-D.pdfapplication/pdf2452407https://repositorio.ufsc.br/bitstream/123456789/265605/-1/PEEL2235-D.pdf41e381aafe216ee0c931bfa69552dbb4MD5-1123456789/2656052025-06-09 20:26:52.029oai:repositorio.ufsc.br:123456789/265605Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732025-06-09T23:26:52Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
title Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
spellingShingle Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
Montagna, Derick Abreu
Engenharia elétrica
Alzheimer, Doença de
Imagem de ressonância magnética
Diagnóstico por imagem
title_short Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
title_full Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
title_fullStr Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
title_full_unstemmed Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
title_sort Adaptação de domínio não supervisionada em redes neurais convolucionais para apoio ao diagnóstico da doença de Alzheimer a partir de imagens de ressonância magnética
author Montagna, Derick Abreu
author_facet Montagna, Derick Abreu
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Montagna, Derick Abreu
dc.contributor.advisor1.fl_str_mv Silva, Danilo
contributor_str_mv Silva, Danilo
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Alzheimer, Doença de
Imagem de ressonância magnética
Diagnóstico por imagem
topic Engenharia elétrica
Alzheimer, Doença de
Imagem de ressonância magnética
Diagnóstico por imagem
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-06-09T23:26:51Z
dc.date.available.fl_str_mv 2025-06-09T23:26:51Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/265605
dc.identifier.other.none.fl_str_mv 392229
identifier_str_mv 392229
url https://repositorio.ufsc.br/handle/123456789/265605
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 59 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/265605/-1/PEEL2235-D.pdf
bitstream.checksum.fl_str_mv 41e381aafe216ee0c931bfa69552dbb4
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759001984827392

Registros relacionados