Akademik Veri Yönetim Sistemi
TURKRAD 2024 45.ULUSAL RADYOLOJİ KONGRESİ , Antalya, Türkiye, 12 - 16 Kasım 2024, sa.80, ss.333-334, (Tam Metin Bildiri)
HAFİF KOGNİTİF BOZUKLUK HASTALARININ SINIFLANDIRILMASINA YÖNELİK DERİN ÖĞRENME MODELİ Berrin Çavuşoğlu1 , Emel Ada2 , Görsev Yener3 1 Dokuz Eylül Üniversitesi, Sağlık Bilimleri Enstitüsü, Medikal Fizik Anabilim Dalı, İzmir 2 Dokuz Eylül Üniversitesi Tıp Fakültesi, Radyoloji Anabilim Dalı, İzmir 3 İzmir Ekonomi Üniversitesi Tıp Fakültesi, İzmir; Dokuz Eylül Üniversitesi Beyin Dinamiği Multidisipliner Araştırma ve Uygulama Merkezi, İzmir; İzmir Uluslararası Biyotıp ve Genom Enstitüsü, İzmir Giriş ve Amaç: Demans ile normal yaşlanma arasında geçiş aşamasını temsil eden hafif kognitif bozukluk (HKB) hastalarının Alzheimer hastalığı tipi demansa doğru ilerleme riski normal popülasyona göre daha yüksektir (1). HKB sırasında uygun tedavi demans gelişimini azaltabilir veya yavaşlatabilir. Bu nedenle, HKB hastaları ile sağlıklı kişiler arasında yapılan sınıflandırma değerlidir. Bu çalışmada, evrişimli sinir ağları mimarilerinden biri olan VGG19 mimarisini manyetik rezonans görüntüleme (MRG) veri seti üzerinde eğiterek ve transfer öğrenmeyi kullanarak HKB ve sağlıklıları sınıflandırmayı hedefledik. Gereç ve Yöntem: Bu çalışmada, BAP 2018.KB.SAG.084 ve 112S335 no’lu TÜBİTAK projesi kapsamında alınan 97 HKB olgusu ile 119 sağlıklı kontrolün yapısal beyin MRG taramalarının verileri kullanılmıştır. Dokuz Eylül Üniversitesi Girişimsel Olmayan Araştırmalar Etik Kurul tarafından 06.01.2020 tarih ve 2020/01-28 karar numarası ile etik kurul onayı alınmıştır. Grupların demografik özellikleri Tablo 1’de gösterilmiştir. HKB ve kontrolleri sınıflandırmak için önceden eğitilmiş bir evrişimli sinir ağı mimarisi olan VGG-19 kullanıldı. VGG-19’a ince ayar yapılarak transfer öğrenme kullanıldı. VGG-19 mimarisinde son tam bağlı katmanın çıktıları SVM’ye aktarılarak VGG-19+SVM modeli oluşturuldu (Resim 1). Önerilen model, sınıflandırma için segmente edilmiş subkortikal derin gri cevher yapılardan oluşan önceden işlenmiş 2B görüntüler üzerinde eğitildi ve test edildi. Subkortikal gri cevher yapılarının segmentasyonu FSL-FIRST yazılımı kullanılarak gerçekleştirildi (Resim 2). Toplanan veri seti 80:20 oranında eğitim ve test gruplarına bölündü; eğitim verileri de 80:20 oranında eğitim ve validasyon gruplarına rastgele bölündü. Eğitimde kullanılacak verilerin sayısını artırmak için veri artırımı uygulandı (rastgele döndürme (-25º/25º), x-y yansıması). VGG-19+SVM mimarisinde ilk üç konvolüsyon bloğu dondurulup son iki blok eğitildi (Resim 3) ve model test edildi. Bulgular: Volümetrik analiz sonucunda HKB grubunda kontrol grubuna göre talamus, putamen, hipokampus, amigdala ve akumbens çekirdekte anlamlı olarak düşük hacim gözlendi (Tablo 2). Fark bulunan bu beş yapının segmentasyon görüntüleri veri setine dahil edildi. Modele uygulanan test sonucunda HKB ve sağlıklı kontrolleri sınıflandırmada %83 doğruluk ile yüksek bir performans göstermiştir. Tartışma ve Sonuç: Derin öğrenme algoritmaları büyük ölçekli, yüksek boyutlu medikal görüntüleme analizi için elverişlidir (2). Geçmiş çalışmalarda farklı örneklem sayısı, veri seti, ön işleme teknikleri, öznitelik çıkarıcılar, sınıflandırıcılar vb. kullanılması nedeniyle önerilen ESA modellerinde %65 ile %84 arasında değişen doğruluk performansları bulunmuştur (3-9). Bu çalışmada transfer öğreniminin kullanıldığı VGG-19+SVM mimarisi kullanılarak segmente edilmiş subkortikal yapıların görüntülerinden oluşan veri seti ile eğitilen literatürden farklı bir model önerilmiştir. Önerilen mimarimiz küçük veri seti üzerinde eğitilse de segmente görüntülerin sınıflandırılmasında %83’e varan doğruluk göstererek umut verici sonuçlar göstermiştir. Sonuçlarımız, önerdiğimiz derin öğrenme modelinin HKB’nin değerlendirilmesine yönelik klinik uygulamalar için umut verici olduğunu göstermektedir. Anahtar Kelimeler: Hafif kognitif bozukluk, manyetik rezonans görüntüleme, derin öğrenme Kaynaklar 1. Pinto C, Subramanyam AA. Mild cognitive impairment: The dilemma. Indian J Psychiatry 2009;51:44-51. 2. Plis SM ve ark. Deep learning for neuroimaging: a validation study. Front Neurosci 2014;8:229. 3. Liu J ve ark. Alzheimer’s disease detection using depthwise separable convolutional neural networks. Comput Methods Programs Biomed 2021;203:106032. 4. Liu M ve ark. A multi-model deep convolutional neural network for automatic hippocampus segmentation and classification in Alzheimer’s disease. Neuroimage 2020;208:116459. 5. Aderghal K ve ark. FuseMe: Classification of sMRI images by fusion of Deep CNNs in 2D+ε projections. Proceedings of the 15th International Workshop on Content-Based Multimedia Indexing (Cbmi). 2017. 6. Aderghal K ve ark. Improving Alzheimer’s stage categorization with Convolutional Neural Network using transfer learning and different magnetic resonance imaging modalities. Heliyon 2020;6(12):e05652. 7. Lim BY ve ark. Deep Learning Model for Prediction of Progressive Mild Cognitive Impairment to Alzheimer’s Disease Using Structural MRI. Front Aging Neurosci. 2022;14:876202. 8. Aderghal K ve ark. Classification of Alzheimer Disease on Imaging Modalities with Deep CNNs using Cross-Modal Transfer Learning. Comp Med Sy. 2018:345-50. 9. Suk HI ve ark. Deep ensemble learning of sparse regression models for brain disease diagnosis. Med Image Anal. 2017;37:101-13.