3b MRI ve hasta bilgileri kullanarak derin öğrenme ile alzheimer hastalığının erken teşhisi

Abstract

Alzheimer Hastalığı beyin hücrelerinin zarar görerek yok olmalarına sebep olan bir demans türüdür. Yaşlılıkla birlikte ortaya çıkma ihtimali yüksek olmasına rağmen belirtileri erken yaşlarda da görülmektedir. Hafif Bilişsel Bozukluk evreleri yaşla ilişkili olmayan bellek bozukluğu ve demans arasında bir hastalıktır. Alzheimer Hastalığının erken teşhisi için bu evrelerin tespiti ayrıca önem taşımaktadır. Hastalık evreleri arasında belirli bir geçişten söz edilememektedir. Bu sebeple erken dönemde teşhis ve tedavi edilmeleri zorlaşmaktadır. Nörogörüntüler, sosyodemografik bilgiler, genetik ve bilişsel skor verileri hastalığın teşhisinde kullanılmaktadır. Farklı türde verileri birleştirerek kişinin Alzheimer olup olmadığı ya da Hafif Bilişsel Bozukluk evrelerinin hangi seviyesinde olduğunu tahmin eden yöntemler bulunmaktadır. Araştırmada hastaya ait farklı bilgilerin 3B ve 2B sMRI taramaları üzerine füzyon edilmesinin etkisi gösterilmek amaçlanmıştır. Bu amaç doğrultusunda yaş ve cinsiyet demografik verisi, Apolipoprotein ε4 gen verisi ve Mini-Mental State Examination skor verilerinden yararlanılmıştır. Bu bilgiler 3D-PI ve 2D-PI adı verilen belirteçlerle Alzheimer's Disease Neuroimaging Initiative (ADNI)'den alınan 3B sMR görüntüleri ve bunlardan elde edilen 2B dilimler üzerine kodlanarak füzyon edilmiştir. Bu yöntem 3D MRIwPI ve 2D MRIwPI şeklinde adlandırılmıştır. Verisetinde 534 katılımcının Alzheimer Hastası (AD), Erken Hafif Bilişsel Bozukluk (EMCI), Geç Hafif Bilişsel Bozukluk (LMCI) ve Kontrol Normal (CN) sınıflarına ait toplam 4000 görüntü bulunmaktadır. Görüntülerin çoklu sınıflandırılmasında 2D ve 3D Convolutional Neural Networks (CNN) mimarisine bir derin öğrenme metodu önerilmiştir. Yöntem uygulanmadan yapılan sınıflandırmada % 86, 3D MRIwPI yöntemiyle füzyon edilmiş 3B görüntülerin sınıflandırılmasında % 90 doğruluk oranına ulaşılmıştır. 2B görüntülerin sınıflandırılmasında ise 2D MRIwPI yöntemiyle doğruluk oranı % 81'den % 87'ye yükselmiştir. Böylece farklı türdeki verilerin farklı boyuttaki nörogörüntülerle birleştirilmesinin sınıflandırma üzerindeki etkisi gösterilmiştir. Alzheimer Hastalığı'nın erken teşhisi için önemli nörogörüntü ve hasta bilgilerinin bir arada ve aynı anda değerlendirilebileceği gösterilmiştir.

Alzheimer's Disease is type of dementia that damages brain cells and causes them to disappear. Although it is likely to ocur with old age, its symptoms are also seen at an early age. Mild Cognitive Impairment stages are a disease between age-related memory impairment and dementia. The detection of these stages is also important fort he early diagnosis of Alzheimer's Disease. There is no spesific transition between the stages of the disease. For this reason, it is difficult to diagnose and treat them at an early stage. Neuroimages, sociodemographic information, genetic and cognitive score data are used in the diagnosis of the disease. There are methods that combine different types of data to predict whether the person has Alzheimer's or at which level of Mild Cognitive Impairment stages they have. In the study, it was aimed to demonstrate the effect of data fusion of different information about the patient on 3D and 2D sMRI scans. Fort his purpose, age and gender demographic data, Apolipoprotein ε4 gene data and Mini-Mental State Examination ssore data were used. These informations were fused with markers called 3D-PI and 2D-PI by encoding on 3D sMR images from the Alzheimer's Disease Neuroimaging Initiative (ADNI) and 2D slices obtained from them. This method is named 3D MRIwPI and 2D MRIwPI. The dataset included a total of 4000 images of 534 participants in the Alzheimer's Disease (AD), Early Mild Cognitive Impairment (EMCI), Late Mild Cognitive Impairment (LMCI) and Control Normal (CN) classes. For multi-classification of images, 2D and 3D Convolutional Neural Networks (CNN), a deep learning method, has been proposed. As a result of the study, an accuracy rate of 86% was achieved in the classification of preprocessed 3D images as multi, while this rate increased to 90% in 3D-PI images. In 2D unbranded and branded images, 81% and 87% accuracy were obtained, respectively. Thus, the effect of combining different types of data with images of different sizes on classification accuracy was revealed. It has been proved that neuroimage and patient information can be evaluated together and simultaneously fort he early diagnosis of Alzheimer's Disease.