4B fMRI Tabanlı Alzheimer Hastalığının Ön Tespiti için 3B-CAPSNET ve RNN Modellerinin Kullanılması

Abstract

Alzheimer hastalığının (AH) ilerlemesinin erken tahmini, bilişsel gerilemenin daha etkili bir şekilde yavaşlatılmasına yardımcı olabilmektedir. Dinlenme durumu fonksiyonel manyetik rezonans görüntüleme (dd-fMRG) kullanılarak otomatik AH tanısı için evrişimli sinir ağlarına (ESA) dayalı farklı yöntemlerin uygulanmasına yönelik çeşitli çalışmalar yapılmıştır. Bu çalışmalarda tanıtılan yöntemler iki büyük zorlukla karşılaşmaktadır. Birincisi, fMRG veri kümeleri küçük boyutta olduğundan aşırı uyum gözlemlenebilmektedir. İkincisi, fMRG oturumlarının 4 boyutlu (4B) bilgilerinin verimli bir şekilde modellenmesi gerekmektedir. Çalışmalardan bazıları, derin öğrenme yöntemlerini, 4B bilgiyi modellemek için fMRG verilerinden oluşturulan fonksiyonel bağlantı matrislerine veya ayrı 2B dilimler veya 3B hacimler olarak fMRG verilerine uygulamıştır. Ancak bu durumun her iki yöntem türünde de bilgi kaybına neden olduğu gözlemlenmiştir. Bu çalışmada, AD tanısı için fMRG verilerinin uzay-zamansal (4B) bilgilerini modellemek amacıyla Kapsül ağı (CapsNet) ve tekrarlayan sinir ağını (RNN) temel alan yeni bir model önerilmektedir. Önerilen modelin etkinliğini değerlendirmek için deneyler yapılmıştır. Sonuçlara göre, önerilen modelin AH’na karşı normal kontrol (NK) ve geç hafif bilişsel bozukluk (GHBB) ile erken hafif bilişsel bozukluk (EHBB) sınıflandırma görevlerinde sırasıyla %94.5 ve %61.8 doğruluk elde edebildiği görülmüştür.

Predicting Alzheimer's disease (AD) at an early stage can assist more successfully prevent cognitive decline. Numerous investigations have focused on utilizing various convolutional neural network (CNN)-based techniques for automated diagnosis of AD through resting-state functional magnetic resonance imaging (rs-fMRI). Two main constraints face the methodologies presented in these studies. First, overfitting occurs due to the small size of fMRI datasets. Second, an effective modeling of the 4D information from fMRI sessions is required. In order to represent the 4D information, some studies used the deep learning techniques on functional connectivity matrices created from fMRI data, or on fMRI data as distinct 2D slices or 3D volumes. However, this results in information loss in both types of methods. In order to model the spatiotemporal (4D) information of fMRI data for AD diagnosis, a new model based on the capsule network (CapsNet) and recurrent neural network (RNN) is proposed in this study. To assess the suggested model's effectiveness, experiments were run. The findings show that the suggested model could classify AD against normal control (NC) and late mild cognitive impairment (lMCI) against early mild cognitive impairment (eMCI) with accuracy rates of 94.5% and 61.8%, respectively.