Deep Learning-based Classification of Dementia using Image Representation of Subcortical Signals

要約

認知症は、認知機能の低下を特徴とする神経症候群です。
アルツハイマー病 (AD) と前頭側頭型認知症 (FTD) は認知症の一般的な形態であり、それぞれに異なる進行パターンがあります。
脳活動を記録するための非侵襲的ツールであるEEGは、ADとFTDおよび軽度認知障害（MCI）を区別する可能性を示しています。
これまでの研究では、サブバンドパワーや接続パターンなどのさまざまなEEG機能を利用して、これらの状態を区別してきました。
ただし、EEG 信号内のアーティファクトにより重要な情報が不明瞭になる可能性があるため、高度な信号処理技術が必要になります。
この研究は、脳の深部領域、特に海馬、扁桃体、視床からのスカウト時系列信号を分析することにより、認知症の深層学習ベースの分類システムを開発することを目的としています。
この研究では、標準化された低解像度脳電磁断層撮影法 (sLORETA) 技術によって抽出されたスカウト時系列が利用されています。
時系列は、連続ウェーブレット変換 (CWT) を使用して画像表現に変換され、深層学習モデルへの入力として供給されます。
提案された方法の有効性をチェックするために、2 つの高密度 EEG データセットが利用されます。オンライン BrainLat データセット (AD、FTD、および健康対照 (HC) で構成される) と社内の IITD-AIIA データセット (AD 患者、
MCI、HC）。
両方のデータセットでクラスを正確にマッピングするために、さまざまな分類戦略と分類子の組み合わせが利用されています。
最良の結果は、DenseNet モデル アーキテクチャと組み合わせて、左右の皮質下領域の分類器からの確率の積を使用することによって達成されました。
BrainLat データセットと IITD-AIIA データセットでは、それぞれ 94.17$\%$ と 77.72$\%$ の精度が得られます。
これは、神経変性疾患の早期かつ正確な鑑別に対するこのアプローチの可能性を強調しています。

要約(オリジナル)

Dementia is a neurological syndrome marked by cognitive decline. Alzheimer’s disease (AD) and Frontotemporal dementia (FTD) are the common forms of dementia, each with distinct progression patterns. EEG, a non-invasive tool for recording brain activity, has shown potential in distinguishing AD from FTD and mild cognitive impairment (MCI). Previous studies have utilized various EEG features, such as subband power and connectivity patterns to differentiate these conditions. However, artifacts in EEG signals can obscure crucial information, necessitating advanced signal processing techniques. This study aims to develop a deep learning-based classification system for dementia by analyzing scout time-series signals from deep brain regions, specifically the hippocampus, amygdala, and thalamus. The study utilizes scout time series extracted via the standardized low-resolution brain electromagnetic tomography (sLORETA) technique. The time series is converted to image representations using continuous wavelet transform (CWT) and fed as input to deep learning models. Two high-density EEG datasets are utilized to check for the efficacy of the proposed method: the online BrainLat dataset (comprising AD, FTD, and healthy controls (HC)) and the in-house IITD-AIIA dataset (including subjects with AD, MCI, and HC). Different classification strategies and classifier combinations have been utilized for the accurate mapping of classes on both datasets. The best results were achieved by using a product of probabilities from classifiers for left and right subcortical regions in conjunction with the DenseNet model architecture. It yields accuracies of 94.17$\%$ and 77.72$\%$ on the BrainLat and IITD-AIIA datasets, respectively. This highlights the potential of this approach for early and accurate differentiation of neurodegenerative disorders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google