Accurate diagnosis in the early stages is an important challenge for the prevention and effective treatment of Alzheimer's Disease (AD). This work proposes a method of analysis of the correlation of Mild Cognitive Impairment (MCI) subtypes and its progression to AD using neuroimages such as structural magnetic resonance imaging (MRI) scans. Basic data pre-processing such as the extraction of brain-tissue related parts of the image, image registration and standardization to the mean and deviation is applied. A convolutional autoencoder (CAE) is used to reduce data dimensionality and learn generic features capturing AD biomarkers, followed by various clustering techniques in order to detect different patterns on MCI data. In addition, six MCI patient clusters are generated based on AD progression information provided by ADNI. The method is evaluated on a total of 1069 structural MRI scans (522 MCI scans, 243 AD scans and, 304 CN scans) on the baseline from ADNI database. No clearly separable clusters are found after using CAE model trained on MCI data. Therefore, it is difficult to confirm a strong correlation between different subtypes of MCI patients and its progression to AD. Nevertheless, a significant correlation within the baseline images of the respective six groups identified based on AD progression is reported. It is hypothesized lack of domain-specific MRI processing, planned in this work, could be a deciding factor about the negative findings in this research.

El diagnòstic precoç i acurat és un repte important per a la prevenció i el tractament efectiu de la malaltia d'Alzheimer (AD). Aquest treball proposa un mètode d?anàlisi de la correlació dels subtipus de deteriorament cognitiu lleu (MCI) i la seva progressió a AD mitjançant neuroimatges com són les imatges per ressonància magnètica (MRI). S?aplica un pre-processat de dades bàsic com ara l?extracció de parts de la imatge relacionades amb el teixit cerebral, la normalització espacial de les imatges i la normalització respecte a la mitjana i la desviació. S'utilitza un codificador automàtic convolucional (CAE) per reduir la dimensionalitat de les dades i aprendre les característiques genèriques que capturen biomarcadors d'AD. Seguidament, s'apliquen diverses tècniques de \textit{clustering} per tal de detectar diferents patrons de dades de pacients MCI. A més a més, es generen sis grups (o \textit{clusters}) de pacients MCI basant-se en la informació de progressió AD proporcionada per ADNI. El mètode és evaluat en un total de 1069 imatges de ressonància magnètica estructural (522 exploracions MCI, 243 exploracions AD i 304 exploracions CN) de la base de dades ADNI les quals corresponen a imatges del primer diagnòstic dels respectius pacients. No es troben \textit{clusters} clarament separables després d?utilitzar el model CAE entrenat amb les dades de pacients MCI. Per tant, és difícil confirmar una forta correlació entre els diferents subtipus de pacients MCI i la seva progressió a AD. No obstant això, es reporta una correlació significant entre les imatges del primer diagnòstic dels sis grups respectius basats en la progressió cap a l'AD. Es planteja la hipòtesi que la manca de processament de domini específic de MRI, ja previst en aquest treball, podria ser un factor decisiu sobre els resultats negatius d?aquesta investigació.