SavedAdd your journal

Journals / Avrupa Bilim ve Teknoloji Dergisi / 2022 / Sayı: 37

A Model Suggestion For Alzheimer’s Disease Diagnosis By Using Deep Learning

Derin Öğrenme ile Alzheimer Hastalığı Teşhisi İçin Model Önerisi

Anıl ÖZKAYA
Ufuk CEBECİ
Pages
123–130
Publication Date
2022-07-15
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The model can directly use 3D MR images, thus preventing the loss of various spatial information.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Alzheimer's disease is one of the greatest health problems of our time.
📊
Key Findings & Data:However, early diagnosis of the disease is very difficult, so most people can be diagnosed after significant and irreversible effects occur.
💡
Conclusion & Impact:The model can directly use 3D MR images, thus preventing the loss of various spatial information.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Alzheimer Hastalığı · Derin Öğrenme · Görüntü Tanıma

Abstract

Alzheimer's disease is one of the greatest health problems of our time. Since there is no cure, it is necessary to diagnose the disease in the early stages and to apply preventive treatments. However, early diagnosis of the disease is very difficult, so most people can be diagnosed after significant and irreversible effects occur. Various studies are carried out by researchers around the world for the early diagnosis of the disease. Deep learning has recently gained importance in the early diagnosis of Alzheimer's disease. With the use of models created using deep learning, the success of early diagnosis has reached high levels. In this study, the stages of Alzheimer's disease and the changes that occur were examined. A literature review was conducted for various techniques used in the diagnosis of Alzheimer's and the use of imaging techniques in the early diagnosis of Alzheimer's was investigated. Due to its widespread use, the MRI technique has been emphasized, and mostly studies using MRI have been examined. Concepts used in deep learning are explained, innovations and results are presented. The architectures used in deep learning and the innovations they bring to this field are revealed, and deep learning models that have been created and tested in current studies are examined. The innovations and success rates brought by various studies have been revealed. Efforts have been made to develop a fast, efficient and successful model that provides ease of use. For this, the scheduler structure, MONAI framework, Data loader structure and various techniques are presented with simple use. Also, the model is optimized to run smoothly on Google Colab. In addition, the tools in the FSL library, which are very important in preprocessing, were studied and optimal parameters were found for the "Bias field and Neck Clean Up", "Standard Brain Extraction Using BET2" and "Robust Brain Center Estimation" tools. By using this library, optimal brain images can be obtained for any model. The DenseNet121 model was used as a basis in the model and it was presented in a structure that can be easily changed. The model can directly use 3D MR images, thus preventing the loss of various spatial information.

Özet

Alzheimer hastalığı çağın en büyük sağlık problemlerinden biridir. Bir tedavisi bulunmaması nedeniyle hastalığın erken evrelerde teşhis edilmesi ve önleyici tedavilerin uygulanması gerekmektedir. Ancak hastalığın erken teşhisi oldukça zordur, bu nedenle çoğu kişide belirgin ve geri dönüşsüz etkiler oluştuktan sonra teşhis yapılabilmektedir. Hastalığın erken teşhis edilmesi için dünyada araştırmacılar tarafından çeşitli çalışmalar yapılmaktadır. Deep learning, Alzheimer hastalığının erken teşhisinde son zamanlarda oldukça önem kazanmıştır. Deep learning ile oluşturulmuş modellerin kullanılmasıyla erken teşhis yapılabilme başarısı yüksek seviyelere ulaşmıştır. Bu çalışmada Alzheimer hastalığının oluşum evreleri ve oluşan değişiklikler incelenmiştir. Alzheimer’s teşhisinde kullanılan çeşitli teknikler için literatür taraması yapılmış ve görüntüleme tekniklerinin Alzheimer’s erken teşhisinde kullanımı araştırılmıştır. Yaygın kullanımı nedeniyle MRI tekniği üzerinde durulmuş, çoğunlukla MRI kullanılan çalışmalar incelenmiştir. Deep learning’te kullanılan kavramlar açıklanmış, yenilikler ve sonuçlar ortaya konmuştur. Deep learning’te kullanılan mimariler ve bu alanda getirdikleri yenilikler ortaya konmuş, mevcut çalışmalarda oluşturulmuş ve test edilmiş deep learning modelleri incelenmiştir. Yapılan çeşitli çalışmaların getirdiği yenilikler ve başarı oranları ortaya konmuştur. Kullanım kolaylığı sağlayan ve hızlı, performanslı ve başaırılı bir model geliştirilmesi için çalışılmıştır. Bunun için scheduler yapısı, MONAI yapısı, “Data loader” yapısı ve çeşitli teknikler basit bir kullanımla sunulmuştur. Ayrıca model Google Colab üzerinde sorunsuz şekilde çalışması için optimize edilmiştir. Ayrıca görüntü önişlemede oldukça önemli olan FSL kütüphanesindeki toollar ile çalışılmış ve "Bias field and Neck Clean Up", “Standard Brain Extraction Using BET2” ve "Robust Brain Center Estimation" toolları için optimal parametreler bulunmuştur. Bu kütüphane ile herhangi bir model için optimal beyin görüntüleri elde edilebilmektedir. Modelde temel olarak DenseNet121 modeli kullanılmıştır ve kolaylıkla model değiştirilebilen bir yapıda sunulmuştur. Model 3 boyutlu MR görüntülerini doğrudan kullanabilmektedir ve bu sayede çeşitli uzaysal bilginin kaybının önüne geçilmiştir.

🔖

Cite This Article

ÖZKAYA, A., CEBECİ, U. (2022). A Model Suggestion For Alzheimer’s Disease Diagnosis By Using Deep Learning. Avrupa Bilim ve Teknoloji Dergisi, Sayı: 37, 123–130. https://ajindex.com/articles/469707

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (11)

  1. Wee, C. Y., Yap, P. T., & Shen, D. (2012). Prediction of Alzheimer’s disease and mild cognitive impairment using cortical morphological patterns. Human Brain Mapping, 34(12), 3411–3425. https://doi.org/10.1002/hbm.22156
  2. Bain LJ, Jedrziewski K, Morrison-Bogorad M, Albert M, Cotman C, Hendrie H, Trojanowski JQ (2008): Healthy brain aging: A meeting report from the Sylvan M. Cohen Annual Retreat of The University of Pennsylvania Institute On Aging. Alzheimers Dement 4:443–446.
  3. Grundman M, Petersen RC, Ferris SH, Thomas RG, Aisen PS, Bennett DA, et al. (2004): Mild cognitive impairment can be distinguished from Alzheimer’s disease and normal aging for clinical trials. Arch Neurol 61:59–66.
  4. Misra C, Fan Y, Davatzikos C (2009): Baseline and longitudinal patterns of brain atrophy in MCI patients, and their use in prediction of short-term conversion to AD: Results from ADNI. Neuroimage 44:1414–1422.
  5. Sarraf, S., & Tofighi, G. (2016). Deep learning-based pipeline to recognize Alzheimer’s disease using fMRI data. 2016 Future Technologies Conference (FTC). https://doi.org/10.1109/ftc.2016.7821697
  6. Kam, T. E., Zhang, H., & Shen, D. (2018). A Novel Deep Learning Framework on Brain Functional Networks for Early MCI Diagnosis. Medical Image Computing and Computer Assisted Intervention – MICCAI 2018, 293–301. https://doi.org/10.1007/978-3-030-00931-1_34
  7. Yan, W., Zhang, H., Sui, J., & Shen, D. (2018). Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis. Medical Image Computing and Computer Assisted Intervention – MICCAI 2018, 249–257. https://doi.org/10.1007/978-3-030-00931-1_29
  8. Dyrba, M., Barkhof, F., Fellgiebel, A., Filippi, M., Hausner, L., Hauenstein, K., Kirste, T., & Teipel, S. J. (2015). Predicting Prodromal Alzheimer’s Disease in Subjects with Mild Cognitive Impairment Using Machine Learning Classification of Multimodal Multicenter Diffusion-Tensor and Magnetic Resonance Imaging Data. Journal of Neuroimaging, 25(5), 738–747. https://doi.org/10.1111/jon.12214
  9. Zhang, Y., Teng, Q., Liu, Y., Liu, Y., & He, X. (2022). Diagnosis of Alzheimer’s disease based on regional attention with sMRI gray matter slices. Journal of Neuroscience Methods, 365, 109376. https://doi.org/10.1016/j.jneumeth.2021.109376
  10. Li, W., Lin, X., & Chen, X. (2020). Detecting Alzheimer’s disease Based on 4D fMRI: An exploration under deep learning framework. Neurocomputing, 388, 280–287. https://doi.org/10.1016/j.neucom.2020.01.053
  11. Ding, Y., Sohn, J. H., Ka