NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundAlzheimer hastalığı (AD), amiloid proteinlerin yığılması, plakların gelişmesi ve nöronların kaybolması nedeniyle oluşan bir nörodejeneratif beyin patolojisidir. AD, Parkinson hastalığı (PD) gibi bir diğer yaygın demans alt tipi, orta beyinde bulunan substantia nigra pars compa olarak bilinen bölgedeki dopaminerjik nöronların kaybolmasıyla belirlenir. Hem AD hem de PD, dünya çapında yaşlı nüfusu hedef alarak sağlık hizmetlerinin büyük bir bölümünü oluşturur. Bu nedenle, bu hastalıkların erken teşhisine yardımcı olan yöntemlere ihtiyaç vardır. PD denekleri, özellikle ölüm sonrası plağı doğrulayanlar, ikinci bir AD teşhisi için güçlü bir adaydır. Pozitron emisyon tomografisi (PET) ve tek foton emisyonu hesaplamalı tomografi (SPECT) gibi modaliteler, bu iki hastalığı klinisyenlerin yararına teşhis etmek için derin öğrenme yöntemleriyle birleştirilebilir.Bu çalışmada, PET ve SPECT nöroimasyonlarını farklılaştırmak için hem AD hem de PD'nin çoklu sınıf sınıflandırması için özellikler çıkarmak için bir 3D Convolutional Neural Network (CNN) kurduk. Discrete Cosine Transform, hem frekans hem de mekansal alanlarda rastgele zayıf Gaussian bulanıklaştırma ve rastgele yakınlaştırma/çıkartma yöntemleriyle birlikte bir frekans alanı öğrenme yöntemi olarak konuşlandırıldı. 3D-CNN modelinin hiperparametrelerini seçmek için hem 5 hem de 10 kat çapraz doğrulama (CV) yaklaşımlarını kullandık. En iyi performans gösteren modelin, mekansal alanda rastgele zayıf Gauss bulanıklaştırması ile AD/NC (SPECT)/PD sınıflandırması olduğu, en kötü performans gösteren modelin ise on kat CV yaklaşımı kullanarak frekans alanında büyütme olmadan AD/NC(PET)/PD sınıflandırması olduğu bulunmuştur. Ayrıca, mekansal alan yöntemlerinin frekans alan benzerlerinden daha iyi performans gösterme eğiliminde olduğunu bulduk.ConclusionÖnerilen model, AD ve PD denekleri ayırt etmede, AD ve PD denekleri arasındaki klinikopatolojik süreklilik üzerindeki bu iki demans türü arasında nörogörüntüleme perspektifinden minimal korelasyon nedeniyle iyi bir performans sağlar.
Özgün kaynak özetini okuyun
BackgroundAlzheimer'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.ResultIn 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.ConclusionThe 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.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.