Structure-focused Neurodegeneration Convolutional Neural Network for Modeling and Classification of Alzheimer’s Disease

要約

認知症の主な形態であるアルツハイマー病 (AD) は世界的な課題となっており、正確かつ早期の診断の緊急性が強調されています。
放射線科医が機械共鳴画像法 (MRI) を使用して軽度認知障害 (MCI) と AD を区別するために採用している臨床技術は、一貫性と信頼性がないため、ハードルに直面しています。
機械学習は、AD の早期診断に有望であることが示されています。
しかし、既存のモデルは、脳の大脳皮質の神経変性に関する情報を与える焦点の構造的特徴を考慮せず、焦点の細かい粒子の特徴に焦点を当てていました。
したがって、この論文では、画像強調技術であるガンマ補正を統合し、AD と MCI を区別するための SNeurodCNN と呼ばれる構造に焦点を当てた神経変性畳み込みニューラル ネットワーク (CNN) アーキテクチャを含む機械学習 (ML) フレームワークを提案します。
ML フレームワークは、構造に焦点を当てたアルツハイマー病神経イメージング イニシアチブ (ADNI) データセットの正中矢状面および傍矢状面の脳画像の視点を活用しています。
実験を通じて、私たちが提案した機械学習フレームワークは優れたパフォーマンスを示しました。
傍矢状視点セットは、97.0% の特異性と 98.5% の感度で、97.8% の精度を達成します。
正中矢状面の視点では、精度、特異性、感度がそれぞれ 98.1%、97.2%、99.0% と向上したため、脳の構造変化についてより深い洞察が得られることが示されています。
GradCAM技術を使用して、提案したモデルが前頭葉、後頭葉、小脳、頭頂葉の周囲に存在するMCIとADの構造ダイナミクスを捕捉できることを示します。
したがって、我々のモデル自体は、ADの早期診断のための潜在的な脳構造変化のDigi-Bioマーカーとして機能します。

要約(オリジナル)

Alzheimer’s disease (AD), the predominant form of dementia, poses a growing global challenge and underscores the urgency of accurate and early diagnosis. The clinical technique radiologists adopt for distinguishing between mild cognitive impairment (MCI) and AD using Machine Resonance Imaging (MRI) encounter hurdles because they are not consistent and reliable. Machine learning has been shown to offer promise for early AD diagnosis. However, existing models focused on focal fine-grain features without considerations to focal structural features that give off information on neurodegeneration of the brain cerebral cortex. Therefore, this paper proposes a machine learning (ML) framework that integrates Gamma correction, an image enhancement technique, and includes a structure-focused neurodegeneration convolutional neural network (CNN) architecture called SNeurodCNN for discriminating between AD and MCI. The ML framework leverages the mid-sagittal and para-sagittal brain image viewpoints of the structure-focused Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset. Through experiments, our proposed machine learning framework shows exceptional performance. The parasagittal viewpoint set achieves 97.8% accuracy, with 97.0% specificity and 98.5% sensitivity. The midsagittal viewpoint is shown to present deeper insights into the structural brain changes given the increase in accuracy, specificity, and sensitivity, which are 98.1% 97.2%, and 99.0%, respectively. Using GradCAM technique, we show that our proposed model is capable of capturing the structural dynamics of MCI and AD which exist about the frontal lobe, occipital lobe, cerebellum, and parietal lobe. Therefore, our model itself as a potential brain structural change Digi-Biomarker for early diagnosis of AD.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google