Περίληψη: | Η νόσος Αλτσχάιμερ είναι μια ανίατη νευροεκφυλιστική διαταραχή που επηρεάζει εκατομμύρια ανθρώπους σε όλο τον κόσμο. Η έγκαιρη ανίχνευση και διάγνωση της νόσου είναι ζωτικής σημασίας για την αποτελεσματική παρέμβαση και τη διαχείριση της. Η μαγνητική τομογραφία(MRI) είναι ένα πολύτιμο εργαλείο από αυτή την άποψη, παρέχοντας λεπτομερείς δομικές πληροφορίες του εγκεφάλου.
Στόχος της παρούσας διπλωματικής εργασίας αποτελεί η κατηγοριοποίηση εικόνων μαγνητικών τομογραφιών με χρήση τρισδιάστατων συνελικτικών νευρωνικών δικτύων(3D CNN). Το σύνολο δεδομένων που χρησιμοποιήθηκε για τη μελέτη προέρχεται απο τη βάση δεδομένων ADNI(Alzheimer’s Disease Neuroimaging Initiative) και αποτελείται από εικόνες MRI από τρεις κατηγορίες: τη γνωστική φυσιολογική(CN), την ήπια γνωστική εξασθένηση(MCI) και τη νόσο του Alzheimer (AD).
Πραγματοποιήθηκαν δύο τύποι κατηγοριοποίησης χρησιμοποιώντας το CNN. Η πρώτη ήταν μια εργασία δυαδικής ταξινόμησης μεταξύ CN και AD, ενώ η δεύτερη ήταν μια εργασία ταξινόμησης πολλών κλάσεων που περιλάμβανε και τις τρεις κατηγορίες. Στόχος της μελέτης ήταν η ανάπτυξη μιας ακριβούς και αξιόπιστης μεθόδου για τη διάγνωση της νόσου του Αλτσχάιμερ με βάση τις εικόνες μαγνητικής τομογραφίας.
Προτού το δίκτυο τροφοδοτηθεί με δεδομένα, πραγματοποιήθηκαν αρκετά βήματα προεπεξεργασίας των εικόνων MRI. Πιο συγκεκριμένα, πραγματοποιήθηκε απογύμνωση κρανίου για την αφαίρεση μη εγκεφαλικού ιστού, καθώς και αφαίρεση φόντου για να διασφαλιστεί ότι οι εικόνες μαγνητικής τομογραφίας εστιάζουν στον εγκέφαλο και δεν απεικονίζεται η γύρω περιοχή. Τέλος, το μέγεθος των δεδομένων μειώθηκε προκειμένου να υπάρχει ομοιομορφία, αλλά και να μπορει το δίκτυο να διαχειριστεί τον όγκο τους.
Τα μοντέλο CNN που δημιουργήθηκαν σε αυτή την εργασία βασίστηκαν σε μια αρχιτεκτονική ResNet με χρήση μονάδας προσοχής. Το μοντέλο ResNet είναι γνωστό για τη δομή του καθώς περιλαμβάνει υπολειμματικές μονάδες , οι οποίες επιτρέπουν την πιο αποτελεσματική εκπαίδευση σε βαθιά νευρωνικά δίκτυα. Η αρχιτεκτονική του ResNet τροποποιήθηκε προκειμένου να γίνει πιο κατάλληλη για το σύνολο δεδομένων της παρούσας εργασίας.
Τα αποτελέσματα της μελέτης έδειξαν ότι το CNN ήταν σε θέση να ταξινομήσει με ακρίβεια τις εικόνες MRI που σχετίζονται με τη νόσο του Αλτσχάιμερ. Η εργασία δυαδικής ταξινόμησης πέτυχε υψηλή ακρίβεια 97.4%, ενώ η εργασία ταξινόμησης πολλαπλών κλάσεων πέτυχε ακρίβεια 91.89%. Αυτά τα αποτελέσματα καταδεικνύουν τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στην έγκαιρη ανίχνευση και διάγνωση της νόσου του Αλτσχάιμερ.
Συνολικά, η μελέτη υπογραμμίζει τη σημασία των τεχνικών προεπεξεργασίας για την προετοιμασία δεδομένων ιατρικής απεικόνισης για ανάλυση, καθώς και τις δυνατότητες των προσεγγίσεων βαθιάς μάθησης στη διάγνωση της νόσου του Αλτσχάιμερ. Απαιτείται περαιτέρω έρευνα για την επικύρωση αυτών των ευρημάτων και για τη διερεύνηση των δυνατοτήτων των μεθόδων βαθιάς μάθησης σε κλινικά περιβάλλοντα.
|