Um estudo de redes profundas aplicadas a dados de fMRI

• Ano de defesa: 2016
• Autor(a) principal: Santos, Jeferson de Souza [UNIFESP]
• Orientador(a): Basgalupp, Marcio Porto [UNIFESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• dARK ID: ark:/48912/001300001r2gz
• Idioma: por
• Instituição de defesa: Universidade Federal de São Paulo (UNIFESP)
• Palavras-chave em Português: aprendizado de máquina
• Palavras-chave em Inglês: machine learning
• Link de acesso: https://sucupira.capes.gov.br/sucupira/public/consultas/coleta/trabalhoConclusao/viewTrabalhoConclusao.jsf?popup=true&id_trabalho=3697699; https://repositorio.unifesp.br/handle/11600/47216

O aprendizado de máquina tem se difundido em diversas aplicações, dentre elas, a ajuda em diagnósticos médicos. Redes Neurais Artificiais (RNAs) estão na lista de técnicas empregadas para realizar tais tarefas. Com a quebra de uma limitação de aprendizado de RNAs com arquiteturas com mais camadas ocultas em 2006, surgiu uma grande área dentro de aprendizado de máquina chamada de Redes Profundas. Estas redes têm se destacado tanto em competições quanto em aplicações em problemas reais. Uma de suas características é a flexibilidade com que sua arquitetura pode ser moldada e assim derivar novos modelos com grande capacidade de abstração de problemas. O uso dessas redes em diagnósticos médicos, mais especificamente na neurociência através de imagens obtidas por Ressonância Magnética Funcional (do inglês, functional Magnetic Ressonance Imaging- fMRI), tem surgido desde 2014. Embora, no momento existam poucos trabalhos na área, o casamento do potencial das redes profundas com dados fMRI no suporte de tomadas de decisões no âmbito médico pode trazer grandes benefícios sociais. Como exemplo de aplicação, redes profundas podem usar dados fMRI para detecção de dependentes químicos. Esta dissertação visa utilizar modelos de redes profundas para resolver o problema de classificação de dados de fMRI oriundos de um grupo de controle de adicção. Os modelos de redes utilizados no trabalho são conhecidos como Deep Belief Networks e Deep Neural Networks. Além do problema de classificação, o trabalho contribui com uma abordagem de redes profundas para um volume restrito de informação e com uma nova forma de construção do modelo de avaliação dos resultados baseado na quantização dos dados.