Strukturfokussiertes neurodegeneratives konvolutionales neuronales Netzwerk zur Modellierung und Klassifizierung von Alzheimer-Krankheit

Zusammenfassung Die Alzheimer-Krankheit (AD), die häufigste Form von Demenz, stellt eine wachsende globale Herausforderung dar und betont die dringende Notwendigkeit einer genauen und frühen Diagnose. Aktuelle klinische Diagnosen basieren auf der Experteninterpretation von Radiologen, die anfällig für menschliche Fehler ist. Deep Learning hat bisher vielversprechende Ergebnisse für die frühe Diagnose von AD gezeigt. Bestehende Methoden ignorieren jedoch häufig fokale strukturelle Atrophie, die entscheidend für ein verbessertes Verständnis der neurodegenerativen Veränderungen im Gehirn ist. Dieses Papier schlägt ein Deep-Learning-Framework vor, das eine neuartige, strukturfokussierte Architektur für ein neurodegeneratives CNN namens SNeurodCNN und einen Bildhelligkeitsverstärker als Vorverarbeitung unter Verwendung von Gamma-Korrektur umfasst. Die SNeurodCNN-Architektur nimmt als Eingabe die Merkmale der fokalen strukturellen Atrophie, die aus der Segmentierung von Hirnstrukturen resultiert, die durch Magnetresonanztomographie (MRT) erfasst wurden. Infolgedessen berücksichtigt die Architektur nur die notwendigen Komponenten des CNN, die aus zwei herabgesetzten konvolutionalen Blöcken und zwei vollständig verbundenen Schichten bestehen, um die gewünschte Klassifizierungsaufgabe zu erreichen, und nutzt Regularisierungstechniken zur Regularisierung der lernbaren Parameter. Durch die Nutzung von mid-sagittalen und para-sagittalen Ansichten von Gehirnbildern aus dem Alzheimer’s Disease Neuroimaging Initiative (ADNI)-Datensatz zeigte unser Framework außergewöhnliche Leistungen. Die para-sagittale Sicht erreichte eine Genauigkeit von 97,8 %, eine Spezifität von 97,0 % und eine Sensitivität von 98,5 %, während die mid-sagittale Sicht tiefere Einblicke mit einer Genauigkeit von 98,1 %, einer Spezifität von 97,2 % und einer Sensitivität von 99,0 % bot. Die Modellanalyse zeigte die Fähigkeit von SNeurodCNN, die strukturellen Dynamiken von leichter kognitiver Beeinträchtigung (MCI) und AD im Frontallappen, Okzipitallappen, Kleinhirn, Temporallappen und Parietallappen zu erfassen, was auf ihr Potenzial als digitalen Biomarker für strukturelle Veränderungen im Gehirn zur frühen AD-Diagnose hinweist. Diese Arbeit kann reproduziert werden, wobei der dazu verfügbare Code auf GitHub bereitgestellt wird.