Χρήση τεχνικών βαθιάς μάθησης και επεξηγήσιμης τεχνητής νοημοσύνης για την ανίχνευση της νόσου του Alzheimer σε εικόνες μαγνητικής τομογραφίας εγκεφάλου

Σκυλίτσης, Ιάσων

Deep learning and Explainable Artificial Intelligence techniques for Alzheimer’s disease detection on magnetic resonance images

Διπλωματική εργασία

Author

Σκυλίτσης, Ιάσων

Date

2022-07-22

Advisor

Voulodimos, Athanasios
Protopapadakis, Eftychios

Διπλωματική Εργασία (4.010Mb)

Keywords

Βαθιά μάθηση ; Αναγνώριση της νόσου του Alzheimer ; Convolutional Neural Networks ; CNN ; Μαγνητική τομογραφία εγκεφάλου ; Μεταφορά μάθησης ; Συνελικτικά νευρωνικά δίκτυα ; Magnetic resonance imaging ; Alzheimer

Abstract

Η νόσος του Alzheimer είναι μια προοδευτική νευροεκφυλιστική νόσος και αποτελεί μια από τις σημαντικότερες προκλήσεις του 21ου αιώνα για τον υγειονομικό τομέα. Τα συμπτώματα της νόσου αφορούν διαταραχές στη μνήμη, την διάθεση και την προσωπικότητα και επηρεάζουν την ποιότητα ζωής τόσο αυτών που νοσούν, όσο και των κοντινών τους ανθρώπων που τους φροντίζουν. Η διάγνωση της νόσου προϋποθέτει την κλινική εξέταση των ασθενών από ειδικούς γιατρούς σε συνδυασμό με μια σειρά από ειδικές εξετάσεις και διαγνωστικά τεστ. Η απεικονιστική εξέταση μέσω μαγνητικής τομογραφίας εγκεφάλου αποτελεί αναπόσπαστο κομμάτι της κλινικής αξιολόγησης ασθενών με υποψία νόσου του Alzheimer. Οι δείκτες της μαγνητικής τομογραφίας βοηθούν στην έγκαιρη και ακριβή διάγνωση καθώς και στη μέτρηση της προοδευτικότητας της νόσου. Η ερμηνεία των ιατρικών εικόνων πραγματοποιείται κυρίως σε κλινικό περιβάλλον από ειδικευμένους γιατρούς ή ακτινολόγους. Αυτή είναι μια χρονοβόρος και απαιτητική διαδικασία λόγω του μεγάλου αριθμού παραλλαγών στην παθολογία, αλλά και επιρρεπής σε σφάλματα λόγω του ανθρώπινου παράγοντα. Στην παρούσα εργασία θα υλοποιηθούν μέθοδοι βαθιάς μάθησης και επεξηγήσιμης τεχνητής νοημοσύνης με σκοπό την αναγνώριση της νόσου σε εικόνες μαγνητικής τομογραφίας εγκεφάλου. Η αναγνώριση της νόσου του Alzheimer με μεθόδους βαθιάς μάθησης θα μπορούσε να υποβοηθήσει την διαδικασία λήψης αποφάσεων των γιατρών, ενώ η επεξηγησιμότητα αποτελεί βασική προυπόθεση για την εμπιστοσύνη και την αποδοχή τέτοιων συστημάτων από τους ασθενείς.

Abstract

Alzheimer’s Disease is a neurodegenerative disease and one of the great health-care challenges of the 21st century. The symptoms of Alzheimer’s disease include memory loss, mood and personality changes and have an impact not only to the ones suffering, but also to their loved ones. Diagnosis of Alzheimer disease involves the clinical examination of the patients and various tests for brain function. Imaging has a key role in the clinical assessment of patients with suspected Alzheimer’s disease. Magnetic Resonance Imaging (MRI) markers help measure disease progression as well as in early and accurate diagnosis. The interpretation of medical images is mainly carried out in a clinical setting by qualified doctors or radiologists. This is a time-consuming and demanding process due to the large number of variations in the pathology, but also susceptible to human error. In this thesis, deep learning and explainable artificial intelligence methods will be implemented in order to detect Alzheimer’s disease in brain MRI. The automated detection of Alzheimer's disease using deep learning methods could support the decision-making process of doctors, while explainability is a basic prerequisite for the trust and acceptance of such systems by patients.