Procesamiento Óptico-Digital de Imágenes – Universidad del Cauca – Julio de 2023

Diagnóstico de Alzheimer Mediante Muestras de

Magnetic Resonance Imaging (MRI)

Resumen—Presentamos un algoritmo de diagnóstico de el análisis de imágenes MRI en el contexto del Alzheimer.

Alzheimer en imágenes de resonancia magnética (MRI)
utilizando Bag of Features (BoF), Speeded Up Robust Features
(SURF) y Support Vector Machines (SVM). Se preprocesan las
imágenes, se extraen características SURF para capturar II. PROCEDIMIENTO EXPERIMENTAL
puntos de interés y se construye un vocabulario BoF. Luego, se
codifican las imágenes mediante histogramas de "visual A. Colección de muestras
words" y se entrena un clasificador SVM con las imágenes
codificadas y etiquetas de diagnóstico. En experimentos con
Estas muestras son tomadas de kaggle [1], las cuales son
pacientes, logramos una precisión del 79% en el diagnóstico, datos que se recopilan de varios sitios web, hospitales,
destacando su potencial para un diagnóstico temprano y repositorios públicos. Las imágenes tienen las siguientes
preciso del Alzheimer. La combinación de BoF, SURF y SVM características:
permite una extracción robusta de características y una
clasificación precisa. ● El conjunto de datos consiste en imágenes de MRI
(imágenes por resonancia magnética)
Palabras clave—Alzheimer, imágenes MRI, Bag of Features, preprocesadas.
BoF, Speeded Up Robust Features, SURF, Support Vector ● Todas las imágenes se redimensionan a 128 x 128
Machines, SVM, diagnóstico. píxeles.
● El conjunto de datos tiene cuatro clases de
imágenes.
● El conjunto de datos consta de un total de 6400
imágenes de resonancia magnética.
I. INTRODUCCIÓN ● Las clases en las que están divididos los tipos de
imágenes y la cantidad por carpeta a procesar:

E l Alzheimer, una enfermedad neurodegenerativa

● Class - 1: Mild Demented (896 img)
● Class - 2: Moderate Demented (64 img)
● Class - 3: Non Demented (3200 img)
progresiva que afecta principalmente a personas de edad
avanzada, plantea un desafío importante para la salud ● Class - 4: Very Mild Demented (2240
img)
pública debido al envejecimiento de la población. El
diagnóstico temprano y preciso de esta enfermedad es
crucial para brindar un tratamiento adecuado y mejorar la
calidad de vida de los pacientes. En este contexto, las
imágenes de Resonancia Magnética (MRI) han demostrado
ser una herramienta valiosa para identificar cambios sutiles
en el cerebro relacionados con el Alzheimer.
En este estudio, presentamos un algoritmo desarrollado para
el diagnóstico de Alzheimer basado en imágenes MRI. El
algoritmo utiliza técnicas avanzadas como Bag of Features
(BoF), Speeded Up Robust Features (SURF) y Support
Vector Machines (SVM) para extraer características,
construir un vocabulario visual y realizar la clasificación. El
objetivo principal es proporcionar una herramienta eficiente
y confiable que permita la detección temprana y precisa de
la enfermedad, lo que facilitará una intervención médica Fig 1. Tipo de imágenes usadas y su clasificación.
oportuna y un mejor manejo de la enfermedad. Además,
este algoritmo contribuirá a la investigación en el campo de
la neurología al proporcionar una metodología efectiva para
B. Descripción del sistema
El algoritmo se puede dividir en varias etapas principales:
1. Preprocesamiento de imágenes MRI: En esta etapa, las
imágenes MRI se adquieren y se preprocesan para eliminar
Fig.2. Matriz de confusión obtenida a partir de las
el ruido y mejorar la calidad de las imágenes. Esto puede
incluir operaciones como el filtrado, la normalización de imágenes.
intensidad y la corrección de distorsiones. ● Interfaz de la aplicacion final, donde se muestra el
diagnostico de un paciente (color amarillo)
2. Extracción de características SURF: Se utiliza el
algoritmo SURF para extraer características relevantes de
las imágenes MRI preprocesadas. SURF es un algoritmo de
detección y descripción de características robusto a cambios
en la escala, rotación y ruido. Las características SURF
capturan puntos de interés y describen su entorno local.
3. Construcción del vocabulario BoF: En esta etapa, se
construye un vocabulario visual utilizando el enfoque de
Bag of Features (BoF). El vocabulario se genera mediante
técnicas de agrupación, como el algoritmo de k-medias,
sobre el conjunto de características SURF extraídas de un
conjunto de imágenes de entrenamiento etiquetadas. Cada
grupo de características representa un "visual word" en el
vocabulario.
4. Codificación BoF: Se utiliza la representación BoF para Fig.3. Imagen de la interfaz final de la aplicación para el
codificar cada imagen MRI de entrada. Para ello, se asignan diagnóstico.
las características SURF de la imagen a los "visual words"
del vocabulario previamente construido. Esto genera un
histograma de frecuencias de los "visual words" presentes IV. CONCLUSIONES
en la imagen, que se utiliza como representación de la 1. El procesamiento de imágenes MRI cerebral para el
imagen en el espacio BoF. diagnóstico de Alzheimer con un clasificador entrenado
5. Entrenamiento del clasificador SVM: Se utiliza el puede proporcionar resultados prometedores y precisos. Los
algoritmo de clasificación SVM para entrenar un modelo clasificadores entrenados pueden identificar patrones
utilizando las imágenes MRI codificadas con BoF y sus específicos en las imágenes que están relacionados con la
etiquetas de diagnóstico asociadas. El SVM busca encontrar presencia de la enfermedad de Alzheimer. Esto puede
un hiperplano que separe las imágenes correspondientes a ayudar a los médicos a realizar un diagnóstico más preciso
pacientes con Alzheimer de las imágenes de pacientes sin y temprano, lo que a su vez permite una intervención más
Alzheimer. efectiva.
6. Diagnóstico de nuevos pacientes: Una vez entrenado el
clasificador SVM, se puede utilizar para realizar 2. El procesamiento de imágenes MRI cerebral para el
diagnósticos en nuevas imágenes MRI. Se extraen las diagnóstico de Alzheimer con un clasificador entrenado
características SURF de las imágenes, se codifican puede mejorar la eficiencia y la velocidad del diagnóstico.
utilizando el vocabulario BoF y se clasifican utilizando el Los algoritmos de aprendizaje automático pueden analizar
modelo SVM entrenado. Dependiendo de la etiqueta rápidamente grandes conjuntos de datos de imágenes
asignada por el clasificador, se determina si el paciente cerebrales y clasificarlas como positivas o negativas para el
tiene Alzheimer o no. Alzheimer. Esto puede reducir la carga de trabajo de los
radiólogos y acelerar el proceso de diagnóstico, lo que es
III. RESULTADOS Y DISCUSIÓN especialmente importante en entornos clínicos donde el
tiempo es crucial.

3. El procesamiento de imágenes MRI cerebral para el

A CONTINUACIÓN SE MUESTRA LA MATRIZ DE CONFUSIÓN diagnóstico de Alzheimer con un clasificador entrenado
OBTENIDA CON NUESTRO ALGORITMO, DONDE SE OBSERVA QUE EN
puede tener limitaciones y debe complementarse con otras
GENERAL EL PROMEDIO DE ACIERTO ES DEL 79 %.
pruebas clínicas. Aunque los clasificadores entrenados
pueden proporcionar una evaluación objetiva de las
imágenes, no deben considerarse como un diagnóstico
definitivo por sí solos. La combinación de datos de imagen
con información clínica, como la historia del paciente y las
 Procesamiento Óptico-Digital de Imágenes – Universidad del Cauca – Julio de 2023

pruebas cognitivas, es esencial para obtener un diagnóstico

integral y preciso de la enfermedad de Alzheimer.

AGRADECIMIENTOS
Queremos expresar nuestro profundo agradecimiento al
profesor Leonairo y a la Universidad del Cauca. El profesor
Leonairo ha sido un guía invaluable, brindando dedicación
y enseñanzas que han dejado una huella duradera en nuestra
formación académica. A la Universidad del Cauca, le
agradecemos por habernos proporcionado la oportunidad de
adquirir conocimientos y experiencias en un entorno
académico excepcional. Su compromiso con la excelencia
educativa ha contribuido significativamente a nuestro
crecimiento personal y profesional.

[email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected], [email protected]

REFERENCIAS
[1] https://www.kaggle.com/datasets/sachinkumar413/alzheimer-mri-dat
aset.