Clasificación de estados de desarrollo de de Alzheimer mediante el algoritmos de machine learning

Abstract

En este proyecto primero se introduce lo que son las redes neuronales, como funcionan y los tipos en base a las arquitecturas y al tipo de aprendizaje. Luego se entrará en más detalle en las redes neuronales convolucionales, para ver cómo funcionan y como se han aplicado en este proyecto. Posteriormente se comentará los resultados obtenidos y finalmente se habrá una conclusión del proyecto. Las redes neuronales se basan en el comportamiento de nuestras neuronas y en cómo se relacionan. En una primera instancia todas las redes están formadas por 3 capas: la capa de entrada, las capas ocultas, y la capa de salida. Una red neuronal convolucional es un tipo de red neuronal artificial donde las neuronas artificiales, corresponden a campos receptivos simulando las neuronas en la corteza visual, lo que las hace muy eficaces para la clasificación y segmentación de imágenes. Lo siguiente que se explica en el trabajo son las diferentes decisiones que se han tomado en el proyecto. Los principales problemas son el data set inicial, las métricas a usar, las funciones de activación y el optimizador. Tpara los optimizadores se realizoó una prueba para determinar el mejor para nuestro modelo, en la cual probamos SGD, RMSprop, Adam y AdamW. Después de entrenar el modelo queda analizar los resultados, para ello usaremos una matriz de confusión en la que encontramos un AUC del 98% y una precisión del 93%. Luego tenemos una matriz de confusión con la que podemos contrastar estos datos y ver como se distribuyen esos casos que están mal diagnosticados. Por último, se describe el código usado para hacer la conexión desde una página web y el código para procesar las llamadas, la herramienta usada ha sido Flask y la página web permite añadir una imagen y enviarla mediante dos botones.

In this project, we first introduce what neural networks are, how they work, and the types based on architectures and the type of learning. Then we will go into more detail on convolutional neural networks, to see how they work and how they have been applied in this project. Subsequently, the results obtained will be discussed, and finally, there will be a conclusion of the project. Neural networks are based on the behavior of our neurons and how they interact. Initially, all networks are formed by 3 layers: the input layer, the hidden layers, and the output layer. A convolutional neural network is a type of artificial neural network where the artificial neurons correspond to receptive fields simulating neurons in the visual cortex, making them very effective for image classification and segmentation. The next thing explained in the work is the different decisions that have been made in the project. The main problems are the initial data set, the metrics to use, the activation functions, and the optimizer. For the optimizers, a test was carried out to determine the best one for our model, in which we tested SGD, RMSprop, Adam, and AdamW. After training the model, we need to analyze the results. For this, we will use a confusion matrix in which we find an AUC of 98% and an accuracy of 93%. Then we have a confusion matrix with which we can contrast this data and see how those misdiagnosed cases are distributed. Finally, the code used to make the connection from a web page and the code to process the calls are described. The tool used has been Flask, and the web page allows adding an image and sending it via two buttons.