INTRODUÇÃO: A doença de Alzheimer é uma neuropatologia degenerativa senil. Seus efeitos não apresentam reversão, porém quando diagnosticada precocemente, pode-se amenizar seus efeitos a longo prazo. Devido a alta incidência da doença e a necessidade de um diagnóstico eficiente, abordou-se nesta pesquisa o projeto e avaliação da rede neural do tipo convolucional (do inglês Convolutional Neural Network, CNN) na detecção da doença de Alzheimer. Objetivos: Projetar uma abordagem de aprendizado profundo para uma aplicação de processamento digital de imagens de ressonância magnética funcional (do inglês functional Magnetic Ressonance Imaging, fMRI) na classificação do diagnóstico da doença de Alzheimer. – OBJETIVOS: Projetar uma abordagem de aprendizado profundo para uma aplicação de processamento digital de imagens de ressonância magnética funcional (do inglês functional Magnetic Ressonance Imaging, fMRI) na classificação do diagnóstico da doença de Alzheimer. – MATERIAIS E MÉTODO: Utilizando como base de programação a linguagem Python, aplicou-se biblioteca PyTorch para o tratamento dos dados oriundos da base ADNI (do inglês Alzheimer Disease Neuroimaging Initiative) de 120 imagens em formato DCM (do inglês Digital Imaging and Communications in Medicine) de pacientes entre 60 e 90 anos, entre os quais desses 63,33% eram de mulheres e 33,33% de homens. Os algoritmos de classificação baseados em CNN foram treinados utilizando as bases de dados ADNI 3 e ADNI GO. Neste contexto, foram selecionadas das bases de dados apenas imagens com imagens de ressonância magnética funcional. Para o algoritmo projetado adotou-se uma análise baseada em visão computacional com o projeto da CNN combinado com a rede neural recorrente de memória curta e longa (do inglês Long Short-Term Memory, LSTM). – RESULTADOS: Em comparação a outros três modelos de CNN tridimensionais, a CNN em projeto 4D gerada pela associação com LSTM apresentou melhor desempenho com acurácia de 68,75% e F-Score de aproximadamente 70%. – CONSIDERAÇÕES FINAIS: Pelos resultados obtidos no projeto observou-se a necessidade de aprimorar os modelos de CNNs principalmente no que tange a sintonia de hiperparâmetros e engenharia de features. Além disso, as bases de dados adotadas de ADNI apresentaram variações de imagens de ressonância magnética decorrentes da coleta de dados ter sido realizada em diferentes modelos de máquinas, sendo que isto levou, muitas vezes, a uma menor precisão de detecção usando abordagens de CNN.
