Generalização de um classificador de Alzheimer em imagens de ressonância magnética para um banco de dados independente utilizando Transfer Learning

• Bruno Porto Monteiro UFF
• Gabriel Justino Panza UFF
• Taiane Coelho Ramos UFF

DOI: https://doi.org/10.5753/sbcas.2026.21570

Resumo

Modelos de Aprendizado Profundo (AP) têm sido propostos para auxílio ao diagnóstico de Alzheimer em imagens de Ressonância Magnética (MRI), alcançando altas taxas de acurácia quando avaliados no mesmo conjunto de dados. No entanto, quando aplicados a conjuntos externos, esses modelos não conseguem generalizar o aprendizado, tornando-se inviáveis na prática clínica. Esse problema é especialmente relevante quando hospitais substituem seus equipamentos de MRI por modelos mais novos, de outras marcas ou potências distintas. Nesse cenário, mesmo que já exista um modelo treinado no equipamento anterior, ele não pode ser reutilizado no novo, e o volume reduzido de dados coletados no equipamento novo é insuficiente para treinar um novo modelo do zero. Para lidar com esse desafio, este trabalho propõe o uso de Transfer Learning (TL) combinado com aumento de dados baseado na física de aquisição de MRI: a partir de um modelo com bom desempenho em um banco de dados extenso (ADNI), realizamos o ajuste fino para um banco de dados menor e independente (OASIS). O modelo adaptado por TL alcançou 89% de acurácia, representando um ganho de 18 pontos percentuais em relação ao modelo treinado diretamente no conjunto OASIS.

Referências

Al-Dhief, F., Al-Hgarat, N., Faheem, M., Al-Shammaa, A., Al-Mqdadi, F., Sallam, A., Al-Saba, M. F., Al-Sammarraie, N., Natij, K., Qazi, A., Al-Maatouk, Q., and Khan, S. (2024). Leveraging transformers and explainable ai for alzheimer’s disease interpretability. Scientific Reports, 14(1):28864.

Dardouri, S. (2025). An efficient method for early alzheimer’s disease detection based on mri images using deep convolutional neural networks. Frontiers in Artificial Intelligence, 8:1563016.

El-Assy, A. M., Amer, H. M., Ibrahim, H. M., and Mohamed, M. A. (2024). A novel cnn architecture for accurate early detection and classification of alzheimer’s disease using mri data. Scientific Reports, 14:3463.

Fang, W., Wei, Z., Yue, Y., Zhang, L., and Wu, S. (2025). An artificial intelligence-based framework for Alzheimer’s disease diagnosis from magnetic resonance imaging volumes via video vision transformer. arXiv preprint arXiv:2501.15733.

Fonov, V. S., Evans, A. C., Botteron, K., Almli, C. R., McKinstry, R. C., Collins, D. L., and Giedd, J. R. (2011). Unbiased average age-appropriate atlases for pediatric studies. NeuroImage, 54(1):1–11.

Hassan, N., Miah, A. S. M., Suzuki, K., Okuyama, Y., and Shin, J. (2025). Stacked cnn-based multichannel attention networks for alzheimer disease detection. Scientific Reports, 15(1):5815.

International, A. D. (2023). World alzheimer report. Acessado em: 14 de outubro de 2024.

Jack, C. R., Bernstein, M. A., Fox, et al. (2008). The alzheimer’s disease neuroimaging initiative (adni): Mri methods. Journal of Magnetic Resonance Imaging, 27(4):685–691.

Khan, A. A., Mahendran, R. K., Perumal, K., and Faheem, M. (2024). Dual-3dm3-ad: Mixed transformer based semantic segmentation and triplet pre-processing for early multi-class alzheimer’s diagnosis. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 32:696–707.

Litjens, G., Kooi, T., Ehteshami Bejnordi, B., Adiyoso Setio, A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A., van Ginneken, B., and Sánchez, C. I. (2017). A survey on deep learning in medical image analysis. Medical Image Analysis, 42:60–88.

Liu, Q., Wang, L., Guo, Z., et al. (2021). Alzheimer’s disease: Mechanisms and therapeutic strategies. Frontiers in Neuroscience, 15:714177.

Marcus, D. S., Fotenos, A. F., Csernansky, J. G., Morris, J. C., and Buckner, R. L. (2007). Open access series of imaging studies (oasis): cross-sectional mri data in young, middle aged, nondemented, and demented older adults. Journal of cognitive neuroscience, 19(9):1498–1507.

Mousavi, S. M., Moulaei, K., and Ahmadian, L. (2025). Classifying and diagnosing alzheimer’s disease with deep learning using 6735 brain mri images. Scientific Reports, 15(1):22721.

Oraby, S., Emran, A., El-Saghir, B., and Mohsen, S. (2025). Hybrid of dsr-gan and cnn for alzheimer disease detection based on mri images. Scientific Reports, 15(1):12727.

Perez-Garcia, F., Sparks, R., and Ourselin, S. (2021). Torchio: a python library for efficient loading, preprocessing, augmentation and patch-based sampling of medical images in deep learning. Computer Methods and Programs in Biomedicine, 208:106236.

Salman, S. M., Abdul-Ghafour, A. H., Al-Sultani, H. K., Al-Ghazali, B. S. A., Al-Sultany, B. A. S., Al-Hussainy, A. K., Al-Sultani, K. D., Shah, S. U. N., S. S., M. B. H., Al-Daami, A. H. M., Al-Sanjary, O. I., Al-Anee, A. F. M., and Al-Lami, A. S. H. (2023). Artificial cognition for detection of mental disability: A vision transformer approach for alzheimer’s disease. Applied Sciences, 13(16):9322.

Sriram, S., Nivethitha, V., Arun Kaarthic, T. P., Archita, S., and Murugan, T. (2025). Advanced mri based alzheimer’s diagnosis through ensemble learning techniques. Scientific Reports, 15(1):33840.

Tang, C., Wei, M., Chen, J., Zhang, Y., and Luo, Y. (2023). CsAGP: Detecting Alzheimer’s disease from multimodal images via dual-transformer with cross-attention and graph pooling. Journal of King Saud University-Computer and Information Sciences, 35(7):101618.

Turrisi, R., Pati, S., Pioggia, G., and Tartarisco, G. (2025). Adapting to evolving mri data: A transfer learning approach for alzheimer’s disease prediction. NeuroImage, 307:121016.

Wang, Y., Gao, R., Wei, T., Johnston, L., Yuan, X., Zhang, Y., and Yu, Z. (2024). Predicting long-term progression of alzheimer’s disease using a multimodal deep learning model incorporating interaction efects. Journal of Translational Medicine, 22:265.

Yoon, J. S., Oh, K., Shin, Y., Mazurowski, M. A., and Suk, H.-I. (2024). Domain generalization for medical image analysis: A review. arXiv preprint arXiv:2310.08598.

Yosinski, J., Clune, J., Bengio, Y., and Lipson, H. (2014). How transferable are features in deep neural networks? In Advances in Neural Information Processing Systems, volume 27.