Published November 2, 2021
| Version v1
Publication
Open
3D convolutional neural networks-based multiclass classification of Alzheimer's and Parkinson's diseases using PET and SPECT neuroimaging modalities
Creators
- 1. Harbin Institute of Technology
- 2. University of Peshawar
- 3. Institute of Space Technology
- 4. Hohai University
Description
Alzheimer's disease (AD) is a neurodegenerative brain pathology formed due to piling up of amyloid proteins, development of plaques and disappearance of neurons. Another common subtype of dementia like AD, Parkinson's disease (PD) is determined by the disappearance of dopaminergic neurons in the region known as substantia nigra pars compacta located in the midbrain. Both AD and PD target aged population worldwide forming a major chunk of healthcare costs. Hence, there is a need for methods that help in the early diagnosis of these diseases. PD subjects especially those who have confirmed postmortem plaque are a strong candidate for a second AD diagnosis. Modalities such as positron emission tomography (PET) and single photon emission computed tomography (SPECT) can be combined with deep learning methods to diagnose these two diseases for the benefit of clinicians.In this work, we deployed a 3D Convolutional Neural Network (CNN) to extract features for multiclass classification of both AD and PD in the frequency and spatial domains using PET and SPECT neuroimaging modalities to differentiate between AD, PD and Normal Control (NC) classes. Discrete Cosine Transform has been deployed as a frequency domain learning method along with random weak Gaussian blurring and random zooming in/out augmentation methods in both frequency and spatial domains. To select the hyperparameters of the 3D-CNN model, we deployed both 5- and 10-fold cross-validation (CV) approaches. The best performing model was found to be AD/NC(SPECT)/PD classification with random weak Gaussian blurred augmentation in the spatial domain using fivefold CV approach while the worst performing model happens to be AD/NC(PET)/PD classification without augmentation in the frequency domain using tenfold CV approach. We also found that spatial domain methods tend to perform better than their frequency domain counterparts.The proposed model provides a good performance in discriminating AD and PD subjects due to minimal correlation between these two dementia types on the clinicopathological continuum between AD and PD subjects from a neuroimaging perspective.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
مرض الزهايمر (AD) هو أحد أمراض الدماغ التنكسية العصبية التي تشكلت بسبب تراكم بروتينات الأميلويد وتطور اللويحات واختفاء الخلايا العصبية. نوع فرعي آخر شائع من الخرف مثل مرض الزهايمر، يتم تحديد مرض باركنسون (PD) من خلال اختفاء الخلايا العصبية الدوبامينية في المنطقة المعروفة باسم المادة السوداء الجزء المضغوط الموجود في الدماغ المتوسط. يستهدف كل من مرض الزهايمر ومرض باركنسون السكان المسنين في جميع أنحاء العالم الذين يشكلون جزءًا كبيرًا من تكاليف الرعاية الصحية. وبالتالي، هناك حاجة إلى طرق تساعد في التشخيص المبكر لهذه الأمراض. الأشخاص المصابون بمرض باركنسون وخاصة أولئك الذين أكدوا وجود لويحة بعد الوفاة هم مرشح قوي لتشخيص مرض الزهايمر الثاني. يمكن الجمع بين طرائق مثل التصوير المقطعي بانبعاث البوزيترون (PET) والتصوير المقطعي المحوسب بانبعاث الفوتون الفردي (SPECT) مع طرق التعلم العميق لتشخيص هذين المرضين لصالح الأطباء. في هذا العمل، نشرنا شبكة عصبية التفافية ثلاثية الأبعاد (CNN) لاستخراج ميزات التصنيف متعدد الطبقات لكل من AD و PD في مجالات التردد والمكان باستخدام طرائق التصوير العصبي PET و SPECT للتمييز بين فصول AD و PD و Normal Control (NC). تم نشر تحويل جيب التمام المنفصل كطريقة تعلم مجال التردد جنبًا إلى جنب مع الضبابية الغاوسية الضعيفة العشوائية وطرق التكبير/التصغير العشوائي في كل من التردد والمجالات المكانية. لتحديد المعلمات الفائقة لنموذج 3D - CNN، قمنا بنشر كل من نهج التحقق المتبادل 5 و 10 أضعاف (CV). تم العثور على النموذج الأفضل أداءً هو تصنيف AD/NC(SPECT)/PD مع زيادة غير واضحة غاوسية ضعيفة عشوائية في المجال المكاني باستخدام نهج CV بخمسة أضعاف في حين أن النموذج الأسوأ أداءً هو تصنيف AD/NC(PET)/PD دون زيادة في مجال التردد باستخدام نهج CV بعشرة أضعاف. وجدنا أيضًا أن طرق المجال المكاني تميل إلى الأداء بشكل أفضل من نظيراتها في مجال التردد. يوفر النموذج المقترح أداءً جيدًا في التمييز بين موضوعات AD و PD بسبب الحد الأدنى من الارتباط بين هذين النوعين من الخرف على السلسلة السريرية المرضية بين موضوعات AD و PD من منظور التصوير العصبي.Translated Description (French)
La maladie d'Alzheimer (MA) est une pathologie cérébrale neurodégénérative formée par l'accumulation de protéines amyloïdes, le développement de plaques et la disparition de neurones. Un autre sous-type courant de démence comme la MA, la maladie de Parkinson (MP), est déterminé par la disparition des neurones dopaminergiques dans la région connue sous le nom de substantia nigra pars compacta située dans le mésencéphale. La DA et la MP ciblent toutes deux la population âgée dans le monde entier, ce qui représente une part importante des coûts des soins de santé. Par conséquent, il existe un besoin de méthodes qui aident au diagnostic précoce de ces maladies. Les sujets atteints de MP, en particulier ceux qui ont une plaque post-mortem confirmée, sont un bon candidat pour un deuxième diagnostic de MA. Des modalités telles que la tomographie par émission de positons (TEP) et la tomodensitométrie à émission de photons uniques (TEP) peuvent être combinées avec des méthodes d'apprentissage en profondeur pour diagnostiquer ces deux maladies au profit des cliniciens. Dans ce travail, nous avons déployé un réseau neuronal convolutionnel 3D (CNN) pour extraire des caractéristiques pour la classification multiclasse de la MA et de la MP dans les domaines fréquentiel et spatial en utilisant des modalités de neuroimagerie TEP et TEP pour différencier les classes de MA, de MP et de contrôle normal (CN). La transformée en cosinus discrète a été déployée en tant que méthode d'apprentissage du domaine fréquentiel avec des méthodes aléatoires de flou gaussien faible et d'augmentation aléatoire du zoom avant/arrière dans les domaines fréquentiel et spatial. Pour sélectionner les hyperparamètres du modèle 3D-CNN, nous avons déployé des approches de validation croisée (CV) 5 et 10 fois. Le modèle le plus performant s'est avéré être la classification AD/NC(SPECT)/PD avec une augmentation floue gaussienne faible aléatoire dans le domaine spatial en utilisant une approche CV quintuple tandis que le modèle le moins performant se trouve être la classification AD/NC(PET)/PD sans augmentation dans le domaine fréquentiel en utilisant une approche CV décuple. Nous avons également constaté que les méthodes du domaine spatial ont tendance à être plus performantes que leurs homologues du domaine fréquentiel. Le modèle proposé offre une bonne performance dans la discrimination des sujets AD et PD en raison d'une corrélation minimale entre ces deux types de démence sur le continuum clinicopathologique entre les sujets AD et PD du point de vue de la neuroimagerie.Translated Description (Spanish)
La enfermedad de Alzheimer (EA) es una patología cerebral neurodegenerativa formada por la acumulación de proteínas amiloides, el desarrollo de placas y la desaparición de neuronas. Otro subtipo común de demencia como la EA, la enfermedad de Parkinson (EP) está determinada por la desaparición de las neuronas dopaminérgicas en la región conocida como sustancia negra pars compacta ubicada en el mesencéfalo. Tanto la EA como la EP se dirigen a la población de edad avanzada en todo el mundo, lo que constituye una parte importante de los costos de Por lo tanto, existe la necesidad de métodos que ayuden en el diagnóstico precoz de estas enfermedades. Los sujetos con EP, especialmente aquellos que tienen placa postmortem confirmada, son un fuerte candidato para un segundo diagnóstico de EA. Modalidades como la tomografía por emisión de positrones (PET) y la tomografía computarizada por emisión de fotón único (SPECT) se pueden combinar con métodos de aprendizaje profundo para diagnosticar estas dos enfermedades en beneficio de los médicos. En este trabajo, implementamos una red neuronal convolucional 3D (CNN) para extraer características para la clasificación multiclase de AD y PD en los dominios de frecuencia y espacial utilizando modalidades de neuroimagen PET y SPECT para diferenciar entre las clases de AD, PD y control normal (NC). La transformación discreta del coseno se ha implementado como un método de aprendizaje en el dominio de la frecuencia junto con el desenfoque gaussiano débil aleatorio y los métodos de aumento aleatorio de acercamiento/alejamiento tanto en el dominio de la frecuencia como en el espacial. Para seleccionar los hiperparámetros del modelo 3D-CNN, implementamos enfoques de validación cruzada (CV) de 5 y 10 veces. Se encontró que el modelo de mejor rendimiento era la clasificación AD/NC(SPECT)/PD con un aumento borroso gaussiano débil aleatorio en el dominio espacial utilizando un enfoque CV de cinco veces, mientras que el modelo de peor rendimiento es la clasificación AD/NC(PET)/PD sin aumento en el dominio de frecuencia utilizando un enfoque CV de diez veces. También encontramos que los métodos de dominio espacial tienden a rendir mejor que sus contrapartes de dominio de frecuencia. El modelo propuesto proporciona un buen rendimiento en la discriminación de sujetos con EA y EP debido a la correlación mínima entre estos dos tipos de demencia en el continuo clínico-patológico entre los sujetos con EA y EP desde una perspectiva de neuroimagen.Files
s40708-021-00144-2.pdf
Files
(920.6 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:ed80f191da9cfc260741ba7b54a398c6
|
920.6 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تصنيف متعدد الطبقات قائم على الشبكات العصبية التلافيفية ثلاثية الأبعاد لأمراض الزهايمر والشلل الرعاش باستخدام طرق التصوير العصبي PET و SPECT
- Translated title (French)
- Classification multiclasse basée sur les réseaux neuronaux convolutionnels 3D des maladies d'Alzheimer et de Parkinson à l'aide de modalités de neuroimagerie TEP et SPECT
- Translated title (Spanish)
- Clasificación multiclase basada en redes neuronales convolucionales 3D de las enfermedades de Alzheimer y Parkinson utilizando modalidades de neuroimagen PET y SPECT
Identifiers
- Other
- https://openalex.org/W3210270998
- DOI
- 10.1186/s40708-021-00144-2
References
- https://openalex.org/W1965359844
- https://openalex.org/W1988494453
- https://openalex.org/W2046583609
- https://openalex.org/W2108165657
- https://openalex.org/W2165547524
- https://openalex.org/W2165840723
- https://openalex.org/W2400155502
- https://openalex.org/W2592929672
- https://openalex.org/W2616256335
- https://openalex.org/W2784120777
- https://openalex.org/W2791403874
- https://openalex.org/W2922842086
- https://openalex.org/W2958270502
- https://openalex.org/W3091780972
- https://openalex.org/W3091860120
- https://openalex.org/W3094112527
- https://openalex.org/W3101840241