Detection of multistage Alzheimer from 4D FMRI data using deep learning

Abstract

The application of machine learning techniques, which significantly improve the recognition of patterns in biomedical data, such as drug delivery systems and medical imaging, has emerged as one of the most important methods for assisting researchers in gaining a better understanding and resolving complex medical issues over the past few years. This has been one of the most significant developments in medical research in recent years. Deep learning is an effective technique for the classifications that extract low-level to high-level features from data. Utilizing a range of machine learning and deep learning algorithms to identify Alzheimer's disease has shown outstanding results. Alzheimer's dementia is progressive, a fatal disorder that turns out to be worse over time; therefore, it is important to diagnose it as early as possible to lessen its impact. To diagnose Alzheimer's disease, deep learning techniques perform significantly better than machine learning techniques by using MRI imaging data. MRI data is even hard to analyze for the physicians. In the literature, two techniques have been used for the identification of Alzheimer's: either by splitting the image into 2D/3D or translating it into functional connectivity or by using the 4D image data after the preprocessing. In this research, the 4D functional MRI data is used for the detection of Alzheimer's after preprocessing. Different preprocessing techniques are applied which include head motion correction, slice timing, slice normalizing, brain extraction, image smoothing, and normalization. The 3-dimensional (CNN) model is implemented and taught on the OASIS data. The transfer learning technique is used on the 3D CNN model and bidirectional long-short-term memory (LSTM) layers are added to understand the temporal information from data. The extended algorithm was named Conv3d-lstm and retrained on the preprocessed ADNI data. Two different datasets are used in this study to generalize the algorithm for the new data. Different 2D CNN models are also trained and tested to assess the performance of the proposed model. Finally, it is concluded that the suggested algorithm provides the finest results comparable to those of other trained algorithms and earlier studies. The algorithm has the highest accuracy and AUC with an AUC of 96% and 91.06% accuracy. The proposed algorithm achieves good results but still, there is space for improvement in the performance.

İlaç dağıtım sistemleri ve tıbbi görüntüleme gibi biyomedikal verilerdeki kalıpların tanınmasını önemli ölçüde iyileştiren makine öğrenimi tekniklerinin uygulanması, araştırmacıların karmaşık tıbbi sorunları daha iyi anlamalarına ve çözmelerine yardımcı olmak için en önemli yöntemlerden biri olarak ortaya çıkmıştır. Son birkaç yıl. Bu, son yıllarda tıbbi araştırma alanındaki en önemli gelişmelerden biri olmuştur. Derin öğrenme, verilerden düşük seviyeden üst seviyeye kadar özellikler çıkaran sınıflandırmalar için güçlü bir tekniktir. Alzheimer hastalığını teşhis etmek için bir dizi derin ve makine öğrenimi öğrenme algoritmasının kullanılması olağanüstü sonuçlar göstermiştir. Alzheimer hastalığı, zamanla kötüleşen ilerleyici, ölümcül bir hastalıktır; bu nedenle, hastalığın etkisini azaltmak için mümkün olduğunca erken keşfetmek önemlidir. Alzheimer hastalığını teşhis etmek için derin öğrenme algoritmaları, MRI görüntüleme verilerini kullanan makine öğrenimi algoritmalarından önemli ölçüde daha iyi performans gösterir. MRG verilerini doktorlar için analiz etmek bile zor. Literatürde Alzheimer teşhisi için iki teknik kullanılmıştır: ya görüntüyü 2D/3D'ye bölerek ya da fonksiyonel bağlantıya çevirerek ya da ön işlemeden sonra 4D görüntü verilerini kullanarak. Bu araştırmada, ön işlemeden sonra Alzheimer teşhisi için 4D fonksiyonel MRI verileri kullanılmıştır. Dilim zamanlama, kafa hareketi düzeltme, dilim normalleştirme, beyin çıkarma, yumuşatma ve görüntü normalleştirmeyi içeren farklı ön işleme teknikleri uygulanır. 3D evrişimli sinir ağı (CNN) modeli, OASIS verileri üzerinde uygulanmış ve eğitilmiştir. 3D CNN modelinde transfer öğrenme tekniği kullanılmış ve buna uzun-kısa süreli bellek (LSTM) katmanları eklenerek verilerden zamansal bilgilerin öğrenilmesi sağlanmıştır. Genişletilmiş algoritmaya Conv3d-lstm adı verildi ve önceden işlenmiş ADNI verileri üzerinde yeniden eğitildi. Algoritmayı yeni veriler için genellemek için bu çalışmada iki farklı veri seti kullanılmıştır. Önerilen modelin performansını değerlendirmek için farklı 2D CNN modelleri de eğitilmiş ve test edilmiştir. Son olarak, önerilen modelin diğer eğitilmiş algoritmalar ve daha önceki çalışmalarla karşılaştırılabilir en iyi sonuçları verdiği sonucuna varılmıştır. Algoritma, %96 AUC ve %91.06 doğruluk ile en yüksek doğruluğa ve AUC'ye sahiptir. Önerilen algoritma iyi sonuçlar elde ediyor, ancak yine de performansta iyileştirme için alan var.