Réseau régularisé par méta-informations multi-modèles pour le diagnostic de la maladie d’Alzheimer : Une étude basée sur l’imagerie par résonance magnétique structurelle

Contexte de l’étude

La maladie d’Alzheimer (AD) est une maladie neurodégénérative progressive, dont le diagnostic et la détection précoce sont des défis importants dans le domaine médical. L’imagerie par résonance magnétique structurelle (sMRI) fournit des motifs morphologiques détaillés et des caractéristiques anatomiques du cerveau, ce qui en fait un outil largement utilisé pour le diagnostic assisté par ordinateur de la maladie d’Alzheimer. Bien que des études antérieures aient validé l’efficacité de l’intégration des métadonnées (telles que l’âge, le sexe et les années d’éducation) pour le diagnostic de l’AD à partir de sMRI, les méthodes existantes se concentrent principalement sur la corrélation des métadonnées avec l’AD ou sur les effets de confusion, tels que les biais de sexe et le vieillissement normal, sans exploiter pleinement l’impact des métadonnées sur le diagnostic de l’AD. Pour résoudre ces problèmes, cette étude propose un réseau régularisé par méta-informations multi-modèles (MMRN) novateur pour le diagnostic de l’AD à partir de sMRI.

Source de la recherche

Ce travail a été rédigé par Kangfu Han, Gang Li, Zhiwen Fang et Yang Feng de l’École de génie biomédical de l’Université de Médecine du Sud, du Laboratoire clé de traitement d’images médicales de la province de Guangdong et du Laboratoire d’ingénierie de technologies d’imagerie et de diagnostic médical de la province de Guangdong, ainsi que de l’Université de Caroline du Nord à Chapel Hill. Cette recherche a été publiée le 18 décembre 2023 dans IEEE Transactions on Medical Imaging.

Processus de l’étude

a) Étapes de la recherche

Étape 1 : Sélection multi-modèles et prétraitement d’image

Afin d’éliminer la variance de diagnostic causée par les transformations spatiales différentes, nous avons d’abord sélectionné plusieurs modèles cérébraux pour améliorer les données. La méthode spécifique consiste à transformer chaque image sMRI par interpolation spline dans différents espaces de modèles, en utilisant l’algorithme de clustering par propagation d’affinité pour sélectionner 11 modèles, y compris le modèle Colin27 et 10 modèles sélectionnés à partir des ensembles de données ADNI et NACC.

Étape 2 : Apprentissage auto-supervisé multi-modèles

En construisant un simple réseau siamois, les images sMRI ont été aléatoirement transformées en deux espaces de modèles (θi et θj), et un réseau de convolution à 8 couches a été utilisé pour extraire des caractéristiques d’intégration de haut niveau. Ensuite, ces caractéristiques ont été décorrélées par apprentissage auto-supervisé et apprentissage supervisé par catégorie.

Étape 3 : Apprentissage des métainformations faiblement supervisées

Pour extraire les métainformations des caractéristiques sans affecter la capacité de discrimination de l’encodeur, un module composé de InfoGAN et d’un décorrélateur a été conçu. InfoGAN utilise un entraînement génératif adversatif pour apprendre les métainformations.

Étape 4 : Minimisation de l’information mutuelle

Pour améliorer la décorrélation entre les caractéristiques liées aux classes et les métainformations, une méthode d’estimation de la borne supérieure de l’information mutuelle (Contrastive Log-Ratio Upper Bound, CLUB) a été employée pour minimiser l’information mutuelle entre les caractéristiques liées aux classes et les métainformations.

Étape 5 : Entraînement du modèle

Le modèle a été formé et validé sur les ensembles de données ADNI et NACC, en utilisant l’optimiseur Adam avec un taux d’apprentissage de 0,0001 et une taille de lot de 6, pour 100 itérations.

Résultats de l’étude

b) Résultats principaux de l’étude

Étape 1 : Résultats de l’apprentissage auto-supervisé multi-modèles

1. Le processus de sélection multi-modèles a montré que les modèles sélectionnés pouvaient efficacement atténuer la variance de diagnostic due aux différentes transformations spatiales.
2. L’utilisation du réseau siamois pour l’apprentissage auto-supervisé a amélioré efficacement la capacité de discrimination des caractéristiques extraites, augmentant la précision moyenne d’environ 5%.

Étape 2 : Résultats de l’apprentissage des métainformations et de la minimisation de l’information mutuelle

1. L’utilisation de InfoGAN pour l’apprentissage des métainformations faiblement supervisé et la reconstruction des caractéristiques pour maintenir la cohérence.
2. Après la minimisation de l’information mutuelle, la précision du modèle pour le diagnostic de l’AD et la prédiction de la conversion du MCI a augmenté d’environ 3% et 1%, respectivement.

Validation croisée des ensembles de données

Les résultats expérimentaux sur les deux ensembles de données multicentriques (c’est-à-dire ADNI et NACC) ont montré que le MMRN surpassait les méthodes les plus avancées actuelles dans le diagnostic de l’AD, la prédiction de la conversion du MCI, et les tâches de classification entre contrôle normal (NC), MCI et AD.

Conclusions et valeur de l’étude

c) Conclusions de l’étude

Cette étude propose un modèle de réseau innovant pour le diagnostic de la maladie d’Alzheimer à partir de l’imagerie par résonance magnétique structurelle, intégrant l’apprentissage multi-modèles et la régularisation des métainformations. Les résultats expérimentaux montrent que cette méthode dépasse significativement les méthodes avancées actuelles dans diverses tâches de diagnostic.

d) Points forts de l’étude

1. La sélection multi-modèles a significativement réduit la variance de diagnostic due aux différentes transformations spatiales, améliorant ainsi la fiabilité de l’extraction des caractéristiques.
2. L’apprentissage des métainformations faiblement supervisé et la minimisation de l’information mutuelle, combinées, ont amélioré la capacité de discrimination des caractéristiques liées aux classes tout en évitant les effets de confusion causés par les métadonnées.

Autres informations pertinentes

Cette recherche démontre l’importance des métadonnées dans l’analyse des neuro-images et comment les techniques de régularisation et d’apprentissage faiblement supervisé peuvent améliorer significativement les performances des modèles de diagnostic. Les recherches futures pourraient optimiser les méthodes actuelles en utilisant plus de techniques d’amélioration des données, en intégrant des architectures de réseaux neuronaux plus complexes, ou en les appliquant à d’autres types de diagnostics de maladies neurologiques pour vérifier et étendre les méthodes proposées dans cette étude.

À travers cette recherche, les auteurs montrent comment les connaissances inter-disciplinaires et les algorithmes innovants peuvent collaborer pour faire progresser la technologie médicale moderne, en particulier dans les progrès significatifs réalisés pour la détection et le diagnostic précoces des maladies cérébrales complexes. Cela contribue non seulement à améliorer la précision diagnostique, mais fournit également des données cruciales pour l’intervention et le traitement précoces des maladies connexes.