アルツハイマー病の診断のための3Dマルチモダルマルチスケールエンドツーエンド分類器

科学分野:

• 神経イメージング
• 人工知能
• 医療診断

背景:

• アルツハイマー病 (AD) の診断は,構造 (MRI) と機能 (PET) の脳イメージング,認知評価 (MMSE),および人口統計情報 (年齢) を含む様々なタイプのデータを統合することに依存しています.
• 現在の診断モデルは,マルチモダルのデータを効果的に融合させ,病気の段階間の微妙な違いを捉え,特に安定した軽度の認知障害 (MCI) を区別するのに苦労しています.

研究 の 目的:

• 強化されたアルツハイマー病 (AD) 診断のための新しい3Dマルチモダル,マルチスケール,エンドツーエンド分類器を開発し,検証する.
• 被験者を4つの別々のカテゴリーに分類する精度を改善するために:正常コントロール (NC),安定した軽度認知障害 (sMCI),進行性軽度認知障害 (pMCI),およびAD.

主な方法:

• 統合神経イメージングと臨床データを処理するために,訓練可能なマルチスケールコンボリューションスケーリングでResNetにインスパイアされたアーキテクチャを使用しました.
• 補完的な情報を最適化するために,年齢によるMRIと,MMSEによるPETを並行して処理するカスタマイズされたデータ融合戦略 (MA_PC) を実装しました.
• アルツハイマー病ニューロ画像イニシアチブ (ADNI) のデータセットを使用して5倍クロス検証と独立したテストセットを使用して実験を行った.

主要な成果:

• コンボリューションスケーリングで提案されたMA_PC分類器は,既存の融合戦略と事前に訓練された3D ResNetsと比較して優れた性能を達成しました.
• 4つのクラス (NC,sMCI,pMCI,AD) の分類は,3つのクラス (NC,MCI,AD) のアプローチよりも有意に優れたパフォーマンスを示し,微妙な進行段階を効果的に特定しました.
• このモデルは,脳の構造的および機能的病理情報を統合し,診断の正確性を向上させました.

結論:

• アルツハイマー病の診断の正確性を高めるには,高度なデータ融合と多層面分析が不可欠です.
• 開発されたマルチモダルのコンボリューションニューラルネットワーク (CNN) は,神経変性疾患の診断における医学イメージング研究と臨床応用を前進させる大きな可能性を示しています.
• sMCIとpMCIを区別する能力は,病状の微妙な軌道を捉えるモデルの能力を強調しています.