Anwendung von Deep Learning bei der Erkennung neurologischer Störungen aus Magnetresonanztomographie-Bildern: eine Umfrage zur Erkennung von Alzheimer-Krankheit, Parkinson-Krankheit und Schizophrenie

Die Neuroimaging, insbesondere die Magnetresonanztomographie (MRT), spielt seit einigen Jahrzehnten eine wichtige Rolle im Verständnis der Gehirnfunktionen und ihrer Störungen. Diese modernen MRT-Scans, unterstützt von leistungsstarken Berechnungstools und neuartigen ML-Techniken, haben Möglichkeiten eröffnet, neurologische Störungen auf eine bisher nie dagewesene Weise zu identifizieren. Allerdings erschweren Ähnlichkeiten in den Krankheitsphänotypen die präzise Erkennung solcher Störungen aus den gewonnenen Neuroimaging-Daten erheblich. Dieser Artikel untersucht kritisch und vergleicht die Leistungen bestehender auf Deep Learning (DL) basierender Methoden zur Erkennung neurologischer Störungen - mit einem Fokus auf Alzheimer-Krankheit, Parkinson-Krankheit und Schizophrenie - aus MRT-Daten, die mit verschiedenen Modalitäten einschließlich funktioneller und struktureller MRT erworben wurden. Die vergleichende Leistungsanalyse verschiedener DL-Architekturen über verschiedene Störungen und Bildgebungsmodalitäten deutet darauf hin, dass das Convolutional Neural Network andere Methoden bei der Erkennung neurologischer Störungen übertrifft. Gegen Ende werden eine Reihe aktueller Forschungsherausforderungen aufgezeigt und einige mögliche zukünftige Forschungsrichtungen skizziert.