| Abstract: | O Espectro Autista (EA) compreende uma série de desordens no desenvolvimento neurológico, caracterizado por deficiências sociais e dificuldades de comunicação, comportamentos repetitivos e atrasos cognitivos. Atualmente, o diagnóstico do EA é amplamente baseado em medições comportamentais, que pode ser demorado, e depende da cooperação do paciente e da experiência do examinador. Para mitigar esta limitação, investigamos padrões neurais que ajudem no diagnóstico de desordens do EA. Nesta dissertação, usamos técnicas de deep learning, a fim de extrair características robustas de neuroimagens de pacientes com autismo. Neuroimagens contêm cerca de 300.000 pontos espaciais, com aproximadamente 200 medições cada. As técnicas de deep learning são úteis para extrair características relevantes que diferenciam autistas de não-autistas. Ao utilizar denoising autoencoders, uma técnica de deep learning específica que visa reduzir a dimensionalidade dos dados, nós superamos o estado da arte, atingindo 69% de acurácia, comparado com o melhor resultado encontrado na literatura, com 60% de acurácia.
Autism Spectrum Disorders (ASD) comprise a range of neurodevelopmental disorders, characterized by social deficits and communication difficulties, repetitive behaviors, and cognitive delays. The diagnosis of ASD is largely based on behavioral measurements, which can be timeconsuming and relies on the patient cooperation and examiner expertise. In order to address this limitation, we aim to investigate neural patterns to help in the diagnosis of ASD. In this dissertation, we use deep learning techniques to extract robust characteristics from neuroimages of autistic subject brain function. Since neuroimage contains about 300,000 spatial points, with approximately 200 temporal measurements each, deep learning techniques are useful in order to extract important features to discriminate ASD subjects from non-ASD. By using denoising autoencoders, a specific deep learning technique that aims to reduce data dimensionality, we surpass the state-of-the-art by achieving 69% of accuracy, compared to 60% using the same dataset. |
