Χρήση τεχνικών βαθιάς μάθησης για την αναγνώριση της νόσου Alzheimer από τροπικότητες δομικής μαγνητικής τομογραφίας

Abstract

Στην παρούσα διπλωματική εργασία εξετάζεται το πρόβλημα της αναγνώρισης της νόσου Alzheimer με χρήση τεχνικών βαθιάς μηχανικής μάθησης. Ειδικότερα, γίνεται προσπάθεια να απαντηθεί το ερευ- νητικό ερώτημα του εντοπισμού της ασθένειας αποκλειστικά και μόνο από την απεικόνιση αυτής σε εικόνες δομικής μαγνητικής τομογραφίας. Σκοπός μας είναι να δομήσουμε μια αυτοματοποιημένη διαδικασία σύμφωνα με την οποία θα κατηγοριοποιούμε γηραιούς ενήλικες σε δύο σύνολα υγιών ή ασθενών ατόμων. Πιο συγκεκριμένα, θεμελιώνουμε ένα πρόβλημα επιβλεπόμενης μάθησης ενός συνελικτικού νευρωνικού δικτύου της αρ- χιτεκτονικής Resnet34, που λαμβάνει ως είσοδο μια εικόνα δομικής μαγνητικής τομογραφίας τύπου Τ1 ενός γηραιού ενήλικα και αποφαίνεται στο κατά πόσο αυτή αντιστοιχεί σε ασθενή ή υγιή οργα- νισμό. Η εκπαίδευση του δικτύου πραγματοποιείται πάνω σε εικόνες της βάσης δεδομένων OASIS Brains, ενός εγχειρήματος που αποσκοπεί στην συγκέντρωση και το διαμοιρασμό νευροαπεικονιστι- κών δεδομένων με στόχο την προαγωγή της έρευνας σχετικά με την εξέλιξη της νόσου Alzheimer. Προκειμένου να διευρύνουμε την προβλεπτική ικανότητα του μοντέλου μας χρησιμοποιούμε την τεχνική της μεταφερόμενης μάθησης. Η κεντρική ιδέα της εν λόγω τεχνικής είναι η εκμετάλλευση ήδη υπάρχουσας γνώσης σε μοντέλα που έχουν εκπαιδευτεί εκ των προτέρων σε σύνολα δεδομένων μεγάλης κλίμακας. Στα πλαίσια της εργασίας χρησιμοποιούμε τη βάση δεδομένων του ImageNet, η οποία περιέχει πάνω από 14.000.000 δεδομένα εικόνων χωρισμένες σε περισσότερες από 20.000 κα- τηγορίες αντικειμένων και χρησιμοποιείται ευρέως στο ερευνητικό πεδίο της όρασης υπολογιστών. Άλλωστε, ένας από τους στόχους της εργασίας είναι να μελετήσει κατά πόσο η τεχνική της μετα- φερόμενης μάθησης με αφετηρία το ImageNet προσφέρει ουσιαστική βελτίωση της προβλεπτικής ικανότητας του μοντέλου μας σε ένα πρόβλημα ιατρικής φύσης. Το εν λόγω ερώτημα έχει ενδιαφέ- ρον καθώς το πρόβλημα που αντιμετωπίζουμε χρησιμοποιεί δεδομένα μαγνητικής τομογραφίας ενώ οι εικόνες του ImageNet δεν περιλαμβάνουν ιατρικές απεικονίσεις αλλά αναπαραστάσεις φυσικών αντικειμένων. Τέλος αξίζει να σημειωθεί ότι η υλοποίηση της πειραματικής μελέτη μας βασίστηκε στην προ- γραμματιστική βιβλιοθήκη fastai, η οποία δομείται στα πλαίσια της γλώσσας προγραμματισμού Python και του υπολογιστικού εργαλείου PyTorch και μας επιτρέπει να δημιουργήσουμε και να εκ- παιδεύσουμε αποδοτικά “state of the art” μοντέλα τεχνητών νευρωνικών δικτύων σε λίγες γραμμές κώδικα.