Применение методов глубокого обучения для классификации стадии Альцгеймера на основе МРТ головного мозга
Аннотация
Диагностика болезни Альцгеймера на ранней стадии развития играет существенную роль при лечении данного заболевания, поскольку определение тяжести заболевания и риска его прогрессирования позволяет провести профилактические меры своевременно, до того, как сформируются необратимые поражения головного мозга. Болезнь Альцгеймера представляет собой хроническое дегенеративное заболевание, связанное с повреждением нейронов головного мозга. Для диагностики данного заболевания наряду с другими методами используется МРТ головного мозга. Интерес представляют формализованные автоматизированные инструменты анализа МРТ, которые могут служить средством поддержки принятия решений при постановке диагноза. Эффективным механизмом разработки подобных инструментов при наличии большой обучающей выборки могут служить методы глубокого обучения, в частности методы, базирующиеся на построении сверточных нейронных сетей. Обзор исследований в данной области отражает целый ряд успешных вычислительных экспериментов по применению сверточных нейронных сетей к анализу медицинских изображений. В данной работе осуществляется попытка использовать сверточную нейронная сеть (CNN) для классификации стадии болезни Альцгеймера на основе МРТ головного мозга. Выделяются следующие основные классы (уровни заболевания): NonDementia (отсутствие деменции), VeryMildDementia (ранняя деменция), MildDementia (умеренная деменция), ModerateDementia (тяжелая деменция). Предложенная в работе модель демонстрирует хорошее качество с позиции основных метрик классификации, позволяет с большой точностью определять все стадии заболевания, причем, лучше всего определяется класс VeryMildDemented. Распознавание именно данной стадии заболевания очень важно с точки зрения подбора предупреждающего развитие болезни лечения.
Скачивания
Литература
3. Maccioni R. B., González A., Andrade V., Cortés N., Tapia J. P. and Guzmán-Martínez L. (2018) Alzheimer´s Disease in the Perspective of Neuroimmunology. P. 50–56.
4. Kazeminia S., Baur C., Kuijper A. [et al.] (2020) GANs for medical image analysis. Artificial Intelligence in Medicine. Vol. 109, article 101938.
5. Fu Y., Lei Y., Wang W., Curran W. J., Liu T. and Yang X. (2021) A review of deep learning based methods for medical image multi-organ segmentation. Physica Medica. Vol. 85. P. 107– 122.
6. Liu X., Song L., Liu S. and Zhang Y. (2021) A review of deeplearning-Based medical image segmentation methods. Sustainability. Vol. 13, No 3. P. 1224.
7. Hu Z., Tang J., Wang Z., Zhang K., Zhang L. and Sun Q. (2018) Deep learning for image-based cancer detection and diagnosis — a survey. Pattern Recognition. Vol. 83. P. 134–149.
8. Shin H. C., Roth H. R., Gao M. [et al.] (2016) Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Transactions on Medical Imaging. Vol. 35, No 5. P. 1285–1298.
9. Badža M. M. and Barjaktarović M. Č. (2020) Classification of brain tumors from MRI images using a convolutional neural network. Applied Sciences. Vol. 10, No 6. P. 1999.
10. Rachapudi V. and Lavanya G. (2020) Improved convolutional neural network based histopathological image classification. Evolutionary Intelligence. Vol. 14, No 3. P. 1337–1343.
11. Sun J., Peng Y., Guo Y. and Li D. (2021) Segmentation of the multimodal brain tumor image used the multi-pathway architecture method based on 3D FCN. Neurocomputing. Vol. 423. P. 34–45.
12. Miotto R., Wang F., Wang S., Jiang X., Dudley J. T. (2018 ) Deep learning for healthcare: review, opportunities and challenges. P. 1236–1246.
13. Lutz Mark. (2011) Programming in Python. Vol. 1. 922 p.
14. Duda R. (2011) TensorFlow 1.x Machine learning algorithms for artificial intelligence applications. 509 p.
15. Khaikin S. (2006) Deep learning with TensorFlow. 1104 p.
- Авторы сохраняют за собой авторские права и предоставляют журналу право первой публикации работы, которая по истечении 6 месяцев после публикации автоматически лицензируется на условиях Creative Commons Attribution License , которая позволяет другим распространять данную работу с обязательным сохранением ссылок на авторов оригинальной работы и оригинальную публикацию в этом журнале.
- Авторы имеют право размещать их работу в сети Интернет (например в институтском хранилище или персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу (См. The Effect of Open Access).
