Анализ МРТ-изображений на основе сверточных нейронных сетей для прогнозирования перехода от легких когнитивных нарушений к болезни Альцгеймера
Convolutional Neural Networks-Based MRI Image Analysis for the Alzheimer’s Disease Prediction From Mild Cognitive Impairment
2018-11-05
SCID: 54.1/52m9k758
Discuss with AI
Инициатива нейровизуализации болезни Альцгеймераструктурные признаки FreeSurferпрогнозирование конверсии MCI в болезнь Альцгеймерасверточные нейронные сетимагнитно-резонансная томография
Figures from the paper
Abstract (AI)
Легкие когнитивные нарушения (ЛКН) являются продромальной стадией болезни Альцгеймера (БА). Выявление пациентов с ЛКН, имеющих высокий риск перехода к БА, имеет решающее значение для эффективного лечения. В настоящем исследовании разработан подход глубокого обучения на основе сверточных нейронных сетей (CNN) для точного прогнозирования перехода от ЛКН к БА с использованием данных магнитно-резонансной томографии (МРТ). На первом этапе МРТ-изображения подвергают коррекции с учетом возраста и другой предварительной обработке. На втором этапе из этих изображений извлекают локальные фрагменты, объединенные в двумерные с половиной представления. Затем фрагменты, полученные для пациентов с БА и здоровых лиц контрольной группы (NC), используют для обучения CNN с целью выявления признаков глубокого обучения у пациентов с ЛКН. После этого для содействия работе CNN с помощью FreeSurfer извлекают признаки структурных изображений головного мозга. Наконец, оба типа признаков подают на классификатор на основе машины экстремального обучения для прогнозирования перехода к БА. Предложенный подход апробирован на стандартизированных наборах данных МРТ проекта «Инициатива по нейровизуализации болезни Альцгеймера» (ADNI). При перекрестной проверке по принципу «исключение одного объекта» он обеспечивает точность 79,9% и площадь под кривой рабочих характеристик приемника (AUC) 86,1%. По сравнению с другими современными методами предложенный подход демонстрирует более высокие точность и AUC, сохраняя при этом хороший баланс между чувствительностью и специфичностью. Результаты свидетельствуют о значительном потенциале предложенного подхода на основе CNN для прогнозирования перехода от ЛКН к БА исключительно по данным МРТ. Коррекция с учетом возраста и использование дополнительных признаков структурных изображений головного мозга могут повысить прогностическую эффективность CNN.
Key Findings
1
Метод на основе сверточной нейронной сети прогнозирует переход от легкого когнитивного нарушения к болезни Альцгеймера, используя только МРТ-данные.
2
Для итоговой классификации перехода MCI в болезнь Альцгеймера машина экстремального обучения объединяет глубокие и структурные признаки.
3
На стандартизированных наборах данных ADNI при перекрестной проверке по схеме leave-one-out достигнуты точность 79,9% и AUC 86,1%.
4
Метод превзошел другие современные подходы, сохранив баланс между чувствительностью и специфичностью; коррекция возраста и добавление структурных признаков повысили эффективность CNN.
5
Метод объединяет скорректированные по возрасту локальные 2,5D-фрагменты МРТ, признаки глубокого обучения CNN и структурные признаки мозга, извлеченные с помощью FreeSurfer.
Research Object
Пациенты с лёгкими когнитивными нарушениями (MCI), для которых имеются данные магнитно-резонансной томографии (MRI)
Research Subject
Прогноз перехода от лёгких когнитивных нарушений к болезни Альцгеймера на основе признаков, извлечённых из MRI с помощью глубокого обучения, и структурных признаков мозга
Publication Details
Publication Date
2018-11-05
Journal
Publisher
ISSN
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest