Abstract:
CONDITIONING OF PROJECT PUBLICATION. Neurodegenerative conditions such as Alzheimer’s disease and Parkinson’s disease can be difficult to identify at an early stage, as they often share similar clinical signs and underlying pathophysiological mechanisms. The objective of this project is to identify common structural patterns in magnetic resonance imaging (MRI) scans of patients with AD and PD using artificial intelligence techniques. For this purpose, MRI data from public databases such as ADNI and PPMI were used and subjected to preprocessing, standardization, and data augmentation procedures. Three deep learning models were trained and evaluated: a CNN Dual-Branch model, a 3D Vision Transformer, and a hybrid CNN-Transformer model. The results showed that the hybrid CNN-Transformer achieved the best balance between accuracy, generalization capability, and interpretability, outperforming the other evaluated architectures. In addition, the use of Grad-CAM made it possible to identify the brain regions most relevant for classification, facilitating the interpretation of the results by healthcare professionals. Finally, a web application was developed that integrates the selected model, allowing users to upload, analyze, and interact with MRI scans in a visual and intuitive manner.
Keywords: Artificial Intelligence, Magnetic Resonance Imaging, Deep Learning, Neurodegenerative Diseases
Description:
CONDICIONAMIENTO DE PUBLICACION DE PROYCTOS. Las condiciones neurodegenerativas como el Alzheimer y el Parkinson pueden ser difíciles de identificar de manera temprana, ya que a menudo comparten signos clínicos similares y mecanismos fisiopatológicos subyacentes. El objetivo de este proyecto es identificar patrones estructurales comunes en imágenes de resonancia magnética (MRI) de pacientes con EA y EP utilizando técnicas de inteligencia artificial. Para ello, se emplearon imágenes de resonancia magnética provenientes de bases de datos públicas como ADNI y PPMI, las cuales fueron sometidas a procesos de preprocesamiento, estandarización y aumento de datos. Se entrenaron y evaluaron tres modelos de aprendizaje profundo: una CNN Dual-Branch, un Vision Transformer 3D y un modelo híbrido CNN-Transformer. Los resultados mostraron que el modelo híbrido CNN-Transformer alcanzó el mejor equilibrio entre precisión, capacidad de generalización e interpretabilidad, superando a las demás arquitecturas evaluadas. Además, mediante el uso de Grad-CAM, fue posible identificar las regiones cerebrales más relevantes para la clasificación, facilitando la interpretación de los resultados por parte de los profesionales de la salud. Finalmente, se desarrolló una aplicación web que integra el modelo seleccionado, permitiendo a los usuarios cargar, analizar e interactuar con las imágenes de resonancia magnética de forma visual e intuitiva.