Weighted Siamese Network to Predict the Time to Onset of Alzheimer’s Disease from MRI Images

要約

タイトル：重みつきシャルミスネットワークによるMRI画像からのアルツハイマー病発症時期の予測

要約：

– アルツハイマー病は認知症の最も一般的な原因であり、前駆症状として軽度認知障害がある。病気を早期に検出することは治療において重要である。
– しかしながら、コンピュータによるADの検出に関する研究文献の多くは、脳画像を健康、軽度認知障害、ADの3つの主要なカテゴリに分類すること、あるいはMCI患者を2つのカテゴリ（1）進行：与えられた研究期間内に将来的な検査時点でMCIからADに進行する患者、および（2）安定：MCIのままADに進行しない患者）に分類することがほとんどである。
– このことは、進行性のMCI患者の軌跡を正確に特定する機会を逃してしまっている。
– そこで本研究では、ADの識別のための脳画像分類タスクを再訪し、患者が深刻なAD段階に近いかどうかを予測する順序分類タスクとして再構築する。
– この目的のため、アルツハイマー病神経画像イニシアチブ（ADNI）データセットから進行性MCI患者を選択し、進行の時間を予測する予測目標を持つ順序データセットを構築する。
– MRI脳画像に基づいてADの発症時期を予測するために、シャルミスネットワークモデルを訓練する。
– また、重みつきシャルミスネットワークの提案をし、基本モデルと比較したパフォーマンスを評価する。
– 評価結果は、シャルミスネットワークに重み付けファクターを組み込むことで、入力脳MRI画像がADに進行するまでの近さを予測する際に相当なパフォーマンス向上をもたらすことが示されている。

要約(オリジナル)

Alzheimer’s Disease (AD), which is the most common cause of dementia, is a progressive disease preceded by Mild Cognitive Impairment (MCI). Early detection of the disease is crucial for making treatment decisions. However, most of the literature on computer-assisted detection of AD focuses on classifying brain images into one of three major categories: healthy, MCI, and AD; or categorising MCI patients into one of (1) progressive: those who progress from MCI to AD at a future examination time during a given study period, and (2) stable: those who stay as MCI and never progress to AD. This misses the opportunity to accurately identify the trajectory of progressive MCI patients. In this paper, we revisit the brain image classification task for AD identification and re-frame it as an ordinal classification task to predict how close a patient is to the severe AD stage. To this end, we select progressive MCI patients from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset and construct an ordinal dataset with a prediction target that indicates the time to progression to AD. We train a siamese network model to predict the time to onset of AD based on MRI brain images. We also propose a weighted variety of siamese networks and compare its performance to a baseline model. Our evaluations show that incorporating a weighting factor to siamese networks brings considerable performance gain at predicting how close input brain MRI images are to progressing to AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI