Classification d’images de la maladie d’Alzheimer basée sur la modélisation tensorielle bayésienne

Introduction

La recherche en neuroimagerie est une composante majeure des neurosciences contemporaines, enrichissant significativement notre compréhension de la structure et des fonctions cérébrales. Grâce à ces techniques de visualisation non invasives, les chercheurs peuvent prédire avec plus de précision les risques de certaines maladies neurologiques et psychiatriques, permettant ainsi une intervention et un traitement précoces pour améliorer la santé et la qualité de vie des patients. En particulier, dans l’étude de la maladie d’Alzheimer (AD), la neuroimagerie offre des perspectives précieuses sur les mécanismes pathologiques, permet de suivre la progression de la maladie, d’identifier les symptômes précoces et de distinguer d’autres causes de démence.

Cependant, le traitement des données de neuroimagerie pose plusieurs défis majeurs, tels que la dépendance spatiale des données, la haute dimensionnalité et le bruit, et il est souvent difficile d’identifier les biomarqueurs neurobiologiques appropriés dans des conditions hétérogènes. Pour relever ces défis complexes liés aux données d’imagerie, diverses méthodes statistiques et d’apprentissage automatique ont été proposées, y compris des modèles de classification basés sur les caractéristiques de l’image.

Même si les méthodes existantes présentent différentes forces et faiblesses, elles ne considèrent pas explicitement la configuration spatiale des voxels de l’image, ce qui peut entraîner des limitations lors de la manipulation de données d’imagerie de haute dimension. Dans ce contexte, cet article propose une méthode de classification bayésienne améliorée par des données basées sur une représentation tensorielle, particulièrement adaptée aux prédicteurs d’images.

Origine de l’étude

Cette étude a été réalisée en collaboration entre Rongke Lyu et Marina Vannucci de Rice University, Suprateek Kundu de MD Anderson Cancer Center et des chercheurs de l’Alzheimer’s Disease Neuroimaging Initiative (ADNI). L’article a été accepté par la revue « Neuroinformatics » et sera publié officiellement le 20 mai 2024.

Processus de recherche

Méthodes

La méthode de classification bayésienne proposée dans cet article repose principalement sur une méthode de renforcement des données basée sur une représentation tensorielle, incluant deux approches de renforcement : l’une générant un classificateur de type machine à vecteurs de support (SVM) et l’autre générant un classificateur de régression logistique.

Les principales techniques adoptées dans l’étude sont les suivantes :

1. Analyse tensorielle : Les tenseurs héritent naturellement d’une structure multidimensionnelle, permettant de représenter de manière adéquate des structures de données complexes, telles que les caractéristiques spatiales des régions cérébrales. De plus, les techniques tensoriales permettent une réduction dimensionnelle tout en préservant la structure des données.
2. Décomposition Parafac : C’est une technique de décomposition tensorielle qui exprime un tenseur de haute dimension comme une combinaison de facteurs de basse dimension, en conservant les informations spatiales et en réduisant le nombre de paramètres.
3. Renforcement des données : Cet article utilise l’algorithme de Monte Carlo par chaînes de Markov (MCMC) pour modéliser et introduit la variable latente Polya-gamma pour l’inférence bayésienne dans le modèle de régression logistique.

Études de simulation

Nous avons vérifié la performance de la méthode dans plusieurs scénarios de simulation, y compris :

1. Scénario 1 : Les coefficients tensoriels sont construits par une décomposition Parafac de rang faible, produisant des résultats binaires.
2. Scénario 2 : Les valeurs marginales du tenseur sont définies manuellement, produisant des résultats binaires.
3. Scénario 3 : Les coefficients tensoriels dans une région rectangulaire sont fixés à 1, les autres régions à 0.
4. Scénario 4 : Les coefficients tensoriels dans une région circulaire sont fixés à 1, les autres régions à 0.
5. Scénario 5 : Simulation basée sur des images réelles d’épaisseur corticale du cerveau du jeu de données ADNI.

Les résultats montrent que notre méthode surpasse les régressions logistiques pénalisées traditionnelles (Fallahati et al., 2014) et les méthodes SVM à norme l1 en termes d’estimation des coefficients, précision de classification et sélection de caractéristiques.

Études d’application

Nous avons appliqué notre méthode au jeu de données ADNI pour effectuer les tâches de classification suivantes :

1. Classification des groupes de contrôle normaux (NC) et des patients AD.
2. Classification des groupes de contrôle normaux et des patients atteints de troubles cognitifs légers (MCI).
3. Classification des patients MCI et AD.
4. Classification par sexe (hommes et femmes).
5. Classification des performances cognitives basées sur le score MMSE (scores élevés et faibles).

Les études montrent que notre méthode exhibe des précisions de classification plus élevées pour chaque tâche, avec des résultats particulièrement remarquables dans la classification AD et MCI, la tranche 23 se montrant comme la plus performante.

Résultats principaux

1. Précision de classification : Que ce soit avec l’approche SVM ou régression logistique, notre méthode montre une plus grande précision de classification dans plusieurs tâches comparée aux méthodes traditionnelles. En particulier, les techniques classiques de régression logistique pénalisée et de SVM à norme l1 performent moins bien avec des données d’imagerie de haute dimension.
2. Sélection de caractéristiques : La méthode de régression logistique bayésienne démontre une sensibilité et une spécificité plus élevées dans la sélection de caractéristiques.
3. Estimation des paramètres : La méthode SVM bayésienne excelle dans l’estimation des paramètres.

Conclusion

La méthode de classification d’images proposée, basée sur la modélisation tensorielle bayésienne, utilise de manière efficace la décomposition Parafac et les techniques de renforcement des données pour résoudre les problèmes de haute dimensionnalité et de dépendance spatiale des données d’imagerie, améliorant significativement la précision de classification. De plus, elle permet une sélection de caractéristiques claire et une quantification des incertitudes. À l’avenir, cette recherche s’efforcera de développer des versions plus efficaces et évolutives pour les tâches de classification d’images tridimensionnelles, et d’explorer des choix de prior plus efficaces pour augmenter les performances de sélection de caractéristiques.

Valeur de la recherche

Cette étude fournit un support méthodologique crucial pour l’analyse efficace des données de neuroimagerie, en particulier pour la détection précoce et la prédiction des risques de maladies neurodégénératives. Comparée aux méthodes traditionnelles, la méthode proposée assure non seulement une précision accrue de classification, mais permet également une sélection précise des caractéristiques clés, réduisant la complexité du modèle et évitant le surajustement. Cela favorise l’application des modèles tensoriels bayésiens dans les analyses de données neuroscientifiques et médicales.