Deep grading for MRI-based differential diagnosis of Alzheimer’s disease and Frontotemporal dementia

要約

アルツハイマー病と前頭側頭型認知症は、神経変性認知症の一般的な形態です。
行動の変化と認知障害は、両方の疾患の臨床経過に見られ、それらの鑑別診断は医師にとって困難な場合があります。
したがって、この診断上の課題に特化した正確なツールは、臨床現場で価値があります。
ただし、現在の構造イメージング法は、主に各疾患の検出に焦点を当てていますが、それらの鑑別診断にはめったに焦点を当てていません。
この論文では、病気の検出と鑑別診断の両方の問題に対するディープラーニングベースのアプローチを提案します。
このアプリケーションには、構造のグレーディングと構造の萎縮という 2 種類のバイオマーカーを利用することをお勧めします。
まず、構造 MRI を入力として使用して、健康な人、アルツハイマー病患者、前頭側頭型認知症患者の解剖学的パターンを局所的に決定するために、3D U-Net の大規模なアンサンブルをトレーニングすることを提案します。
アンサンブルの出力は、臨床医が解釈しやすい 3D グレーディング マップに変換できる 2 チャネルの疾患の座標マップです。
この 2 チャネル マップは、さまざまな分類タスク用の多層パーセプトロン分類器と結合されています。
次に、深層学習フレームワークをボリュームに基づく従来の機械学習戦略と組み合わせて、モデルの識別能力と堅牢性を向上させることを提案します。
相互検証と外部検証の両方の後、3319 MRI に基づく実験では、疾患の検出と鑑別診断の両方の最先端の方法と比較して、私たちの方法の競争力のある結果が示されました。

要約(オリジナル)

Alzheimer’s disease and Frontotemporal dementia are common forms of neurodegenerative dementia. Behavioral alterations and cognitive impairments are found in the clinical courses of both diseases and their differential diagnosis is sometimes difficult for physicians. Therefore, an accurate tool dedicated to this diagnostic challenge can be valuable in clinical practice. However, current structural imaging methods mainly focus on the detection of each disease but rarely on their differential diagnosis. In this paper, we propose a deep learning based approach for both problems of disease detection and differential diagnosis. We suggest utilizing two types of biomarkers for this application: structure grading and structure atrophy. First, we propose to train a large ensemble of 3D U-Nets to locally determine the anatomical patterns of healthy people, patients with Alzheimer’s disease and patients with Frontotemporal dementia using structural MRI as input. The output of the ensemble is a 2-channel disease’s coordinate map able to be transformed into a 3D grading map which is easy to interpret for clinicians. This 2-channel map is coupled with a multi-layer perceptron classifier for different classification tasks. Second, we propose to combine our deep learning framework with a traditional machine learning strategy based on volume to improve the model discriminative capacity and robustness. After both cross-validation and external validation, our experiments based on 3319 MRI demonstrated competitive results of our method compared to the state-of-the-art methods for both disease detection and differential diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google