Diagnóstico asistido de la enfermedad de Parkinson mediante aprendizaje profundo a partir de datos fMRI

El presente proyecto aborda la necesidad de un diagnóstico temprano y objetivo de la enfermedad de Párkinson, proponiendo el desarrollo de un modelo de inteligencia artificial para la clasificación automática de pacientes a partir de datos de resonancia magnética funcional (fMRI). El objetivo principal es desarrollar un modelo de aprendizaje profundo que agilice los tiempos de diagnóstico y se disminuya la inherencia de la subjetividad del especialista. Se recopilaron y estandarizaron dos conjuntos de datos fMRI: uno con sujetos en estado de reposo (DR) y otro realizando tareas de atención (DA). Se aplicaron dos flujos de preprocesamiento, SPM para los datos DR y Fmriprep para los datos DA. Posteriormente, se entrenaron y evaluaron dos arquitecturas de aprendizaje profundo, Vision Transformer y un modelo híbrido 3DCNN+LSTM, con ambos conjuntos de datos para comparar su rendimiento. El modelo con Vision Transformer obtuvo mejores resultados con una precisión del 93% de precisión en la clasificación. Se concluye que los datos fMRI en estado de reposo son los más adecuados para realizar esta tarea y que el flujo de pre-procesamiento con SPM junto al modelo Vision Transformer, conforman la aproximación más efectiva y eficiente para el diagnóstico asistido de la enfermedad.

• Hovedforfatter: Bravo Palma, Mauricio Andres (author)
• Andre forfattere: Castillo Chiang, Jared Elian (author), Pelaez Jarrin, Colon Enrique, Director (author)
• Format: bachelorThesis
• Udgivet: 2025
• Fag: Aprendizaje profundo; Neuroimagen; Vision Transformer; SPM
• Online adgang: http://www.dspace.espol.edu.ec/handle/123456789/67342