Χρήση Τεχνικών Βαθιάς Μάθησης για την Κατάτμηση Εγκεφαλικών Όγκων για τη Διάγνωση της Νόσου Alzheimer

Abstract

Τις τελευταίες δεκαετίες η ερευνητική δραστηριότητα στον τομέα της Ανάλυσης Εικόνας έχει σημειώσει ραγδαία ανάπτυξη μέσα από πληθώρα μελετών και εφαρμογών με βασικό στόχο να υποστηριχθούν και να διευκολυνθούν βασικές λειτουργίες στην καθημερινότητα των ανθρώπων ανά την υφήλιο. Προς επίτευξη του συγκεκριμένου σκοπού, πολλές από αυτές τις εφαρμογές αξιοποιούν τεχνικές από τους τομείς της Τεχνητής Νοημοσύνης και συγκεκριμένα της Μηχανικής Μάθησης και της Βαθιάς Μάθησης. Ειδικότερα στον τομέα της Ιατρικής, οι σύγχρονες επιστημονικές τάσεις διατυπώνουν ότι οι διαδικασίες της διάγνωσης αλλά και της αντιμετώπισης διαφόρων παθήσεων μπορούν πλέον να γίνονται όχι μόνο με στατιστικές μεθόδους, αλλά και με γνώμονα τόσο το ιστορικό του όσο και το περιβάλλον στο οποίο ζει ο ασθενής. Στόχος της παρούσας διπλωματικής εργασίας είναι η αξιοποίηση τεχνικών Μηχανικής Μάθησης για την πρόβλεψη της νόσου Alzheimer, χρησιμοποιώντας τη μαγνητική τομογραφία του εγκεφάλου του εξεταζόμενου. Πρώτο βήμα προς επίτευξη του συγκεκριμένου στόχου αποτέλεσε η κατάτμηση των εικόνων των μαγνητικών τομογραφιών εγκεφάλων. Πιο συγκεκριμένα, για την κατάτμηση μελετήθηκε και υλοποιήθηκε το πλήρως συνελικτικό νευρωνικό δίκτυό FC - DENSENET. Η εκπαίδευση του δικτύου υλοποιήθηκε σε επισημασμένα δεδομένα μαγνητικών τομογραφιών εγκεφάλων που προήλθαν από το διαγωνισμό MICCAI 2012 Multi-Atlas Labelling. Επιχειρήθηκαν τρεις διαφορετικές προσεγγίσεις για την κατάτμηση και πιο συγκεκριμένα, μια απλή εφαρμογή του μοντέλου FC-DenseNet103-Tiramisu, μία που αγνοούσε την κλάση του υποβάθρου και μια που εφάρμοζε βάρη σε κάθε μία από τις κλάσεις ενδιαφέροντος. Η πρώτη μέθοδος απέτυχε να δώσει αξιόπιστα αποτελέσματα καθώς ταξινομούσε όλα τα εικονοστοιχεία στην κλάση του υποβάθρου. Η μέθοδος με τη χρήση βαρών είχε καλύτερη προσαρμογή στα δεδομένα εκπαίδευσης από αυτήν που αγνοούσε την κλάση του υποβάθρου και έτσι επιλέχθηκε ως η κύρια μέθοδος κατάτμησης για το επόμενο στάδιο της διάγνωσης μέσω ταξινόμησης. Στη συνέχεια, επιχειρήθηκε η χρήση των κατατετμημένων από το FC-DenseNet εικόνων μαγνητικής τομογραφίας εγκεφάλου, για το διαχωρισμό ατόμων σε υγιή και πάσχοντα από τη νευροεκφυλιστική νόσο του Alzheimer. Για το σκοπό αυτό αξιοποιήθηκαν δεδομένα από το ADNI, μια βάση δεδομένων με ιατρικά στοιχεία ασθενών και μη της συγκεκριμένης νόσου. Για την ταξινόμηση των ατόμων επιλέχθηκαν προς μελέτη οι περιοχές της αμυγδαλής, του ενδορινικού φλοιού, του ιππόκαμπου και της παραιπποκάμπειας έλικας του εγκεφάλου των ασθενών. Συγκεκριμένα, υπολογίστηκε η αναλογία του μεγέθους (σε εικονοστοιχεία) των περιοχών αυτών προς το μέγεθος του συνολικού εγκεφάλου για κάθε εξεταζόμενο. Για την ταξινόμηση δοκιμάστηκαν δύο μέθοδοι μάθησης για την εξαγωγή αποτελεσμάτων. Η πρώτη μέθοδος βασίστηκε σε διαγράμματα διασποράς των ποσοστών αναλογίας και η δεύτερη υλοποιήθηκε με χρήση ενός ταξινομητή Random Forest, ο οποίος λαμβάνει ως είσοδο τα ποσοστά αναλογίας των παραπάνω περιοχών. Τα αποτελέσματα ανέδειξαν ότι στους ασθενείς με τη νόσο του Alzheimer επηρεάζονται κυρίως τα αριστερά μέρη των περιοχών της αμυγδαλής, του ιππόκαμπου και της παραιπποκάμπειας έλικας. Λαμβάνοντας υπόψη τα παραπάνω, συμπεραίνεται ότι το μοντέλο FC-DenseNet απέδωσε αποτελέσματα ακριβούς κατάτμησης εγκεφαλικών εικόνων και σε συνδυασμό με έναν απλό ταξινομητή μηχανικής μάθησης επιτεύχθηκε ο διαχωρισμός πασχόντων και μη από τη νόσο Alzheimer με ποσοστά ακρίβειας πάνω από 95%. Η επιτυχία της παρούσας μεθοδολογίας δημιουργεί προσδοκίες για ανάπτυξη παρόμοιων εφαρμογών για την υποστήριξη της ιατρικής διάγνωσης και για άλλες νεύρο-εκφυλιστικές νόσους.