2024-1-P2-Alzheimer-MRI

Resumo

Esse repositório contém o estudo do mal de Alzheimer com imagens de ressonância magnética do cérebro em um dataset opensource com 6400 imagens divididas entre 4 classes. O trabalho é constituido do tratamento e processamento das imagens, incluindo modelos de ML e seus resultados.

Sumário

• Resumo
• Sumário
• Base de dados
• Instalação
• Como usar
• Resultados
• Licença

Base de dados

Base de dados disponibilizada na plataforma Kaggle sobre as diretrizes da licença "Open Data Commons Open Database License (ODbL) v1.0". Os dados foram levantados manualmente juntando imagens de múltiplas bases de dado. Os dados englobam 6400 imagens de ressonância magnética do cérebro de pessoas divididas nas classes "Mild Demented", "Moderate Demented", "Non Demented" e "Very Mild Demented".

Instalação

Ambiente virtual

O pacote conda é necessário para criar ambientes virtuais Python. Para instalá-lo siga as instruções disponibilizadas na Documentação.

Obtendo o projeto

Agora, vamos clonar um repositório Git e criar um ambiente virtual Python:

# Baixe o projeto
git clone https://github.com/intel-comp-saude-ufes/2024-1-P2-Alzheimer-MRI.git

# Entre na pasta do projeto
cd 2024-1-P2-ALZHEIMER-MRI/

# Crie um ambiente virtual com nome 'alzheimer'
conda create -n alzheimer

# Ative o ambiente virtual
conda activate alzheimer

Instalando as dependências

Uma vez no ambiente virtual, instale as dependências do projeto:

conda install pip jupyterlab
pip install -r requirements.txt

Como usar

Para abrir os Jupyter Notebooks que contém o projeto, basta utilizar o projeto JupyterLab computational environment (já consta como dependência desse trabalho). Para executá-lo, basta digitar no terminal:

jupyter-lab

Então, abra o browser em: http://localhost:8888/. O arquivo notebooks/project que contém todo o código desenvoldido do projeto.

Resultados

Matriz de Confusão	Curva ROC

Nesse trabalho foi possível obter um modelo classificador capaz de classificar diversos níveis de Alzheimer de um paciente, sendo capaz de identificar até mesmo casos mais iniciais da doença.

Os resultados mostram que os classificadores utilizados tiveram bons resultados e teriam boa aplicabilidade para um modelo em produção. Entretanto, a DenseNet se destacou em todas as métricas utilizadas. Dessa forma, poderia-se utilizar o modelo como ferramenta auxiliar de médicos para a identificação precoce da doença.

Licença

Este projeto é licenciado sob os termos da licença MIT e está disponível gratuitamente.