Time CNN and Graph Convolution Network for Epileptic Spike Detection in MEG Data

要約

てんかん患者の脳磁図 (MEG) 記録には、病状の典型的なバイオマーカーであるスパイクが見られます。
これらのスパイクを検出することで、発作を引き起こす脳領域の正確な位置特定が可能になります。
スパイクの検出は多くの場合手動で行われます。
ただし、MEG データは複雑であるため、これは面倒でエラーが発生しやすい作業です。
この問題に対処するために、グラフ畳み込みネットワーク (GCN) と組み合わせた 1D 時間畳み込みニューラル ネットワーク (Time CNN) を提案し、MEG 記録の短い時間フレームをスパイクを含むかどうか分類します。
他の最近のアプローチと比較して、私たちのモデルはトレーニングするパラメーターが少なく、MEG センサーの空間関係を考慮するために GCN を使用することを提案します。
当社のモデルは、臨床的に適切な結果を生成し、スパイク クラスのバランスのとれたデータセットでは 76.7% の分類 f1 スコア、現実的で高度に不均衡なデータセットでは 25.5% の分類 f1 スコアに達する深層学習ベースの最先端の手法を上回ります。

要約(オリジナル)

Magnetoencephalography (MEG) recordings of patients with epilepsy exhibit spikes, a typical biomarker of the pathology. Detecting those spikes allows accurate localization of brain regions triggering seizures. Spike detection is often performed manually. However, it is a burdensome and error prone task due to the complexity of MEG data. To address this problem, we propose a 1D temporal convolutional neural network (Time CNN) coupled with a graph convolutional network (GCN) to classify short time frames of MEG recording as containing a spike or not. Compared to other recent approaches, our models have fewer parameters to train and we propose to use a GCN to account for MEG sensors spatial relationships. Our models produce clinically relevant results and outperform deep learning-based state-of-the-art methods reaching a classification f1-score of 76.7% on a balanced dataset and of 25.5% on a realistic, highly imbalanced dataset, for the spike class.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google