Medical image classification based on representational learning

El diagnóstico preciso y temprano de la enfermedad de Alzheimer (EA) sigue siendo un desafío importante debido a la complejidad de su progresión patológica y la sutileza de sus biomarcadores tempranos. La resonancia magnética estructural (RM), combinada con los avances en el aprendizaje profundo, ha mostrado resultados prometedores para la clasificación de la EA. Sin embargo, los enfoques existentes presentan limitaciones como la selección de cortes fijos o heurísticos, la mala selección de la región de interés (ROI) y el manejo inadecuado de la variabilidad anatómica. Estas deficiencias pueden generar redundancia de datos, una menor generalización del modelo y mayores costos computacionales. Esta tesis aborda estas limitaciones proponiendo una metodología novedosa de selección de instancias de corte guiada por ROI que integra información de múltiples atlas para mejorar la representatividad y la capacidad informativa de los datos de entrada para la clasificación de la EA. También se introduce un método estadístico de extracción de ROI basado en el centroide para localizar y recortar con precisión las regiones de imagen relevantes para la enfermedad. Las secciones 2D y los parches ROI seleccionados se evalúan mediante redes neuronales convolucionales profundas (CNN) y métodos de conjunto híbridos para evaluar el rendimiento de la clasificación en planos anatómicos, variaciones de preprocesamiento y arquitecturas CNN. Además, se presenta un modelo de conjunto 3D Vision Transformer (ViT) de entrada múltiple y datos mixtos para incorporar datos multimodales, combinando resonancia magnética 3D con puntuaciones demográficas y cognitivas, con el fin de mejorar la precisión diagnóstica. Los métodos propuestos se validaron utilizando tres conjuntos de datos públicos a gran escala (ADNI, AIBL y OASIS), y los resultados demuestran mejoras estadísticamente significativas con respecto a los modelos de referencia y de última generación. El conjunto híbrido alcanzó una precisión de clasificación máxima del 95 %, y el 3D ViT propuesto superó a arquitecturas comparables en múltiples configuraciones. Estas contribuciones resaltan la efectividad de la selección de instancias con información anatómica y el valor de los enfoques de aprendizaje profundo híbridos y multimodales para un diagnóstico de la enfermedad de Alzheimer robusto y escalable.