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
Wei-Ming Lin, Tong Tong, Qinquan Gao, Di Guo, Xiaofeng Du, Yonggui Yang, Gang Guo, Min Xiao, Min Du, Xiaobo Qu, The Alzheimer’s Disease Neuroimaging Initiative
2018-11-05

Инициатива нейровизуализации болезни Альцгеймераструктурные признаки FreeSurferпрогнозирование конверсии MCI в болезнь Альцгеймерасверточные нейронные сетимагнитно-резонансная томография
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.
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.

Пациенты с лёгкими когнитивными нарушениями (MCI), для которых имеются данные магнитно-резонансной томографии (MRI)

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
Access Type
Author Information
Authors
Wei-Ming Lin
Tong Tong
Qinquan Gao
Di Guo
Xiaofeng Du
Yonggui Yang
Gang Guo
Min Xiao
Min Du
Xiaobo Qu
The Alzheimer’s Disease Neuroimaging Initiative
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%