Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Study of brain imaging correlates of Mild Cognitive Impairment and Alzheimer’s Disease with machine learning
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Korrelationen mellan lindrig kognitiv störning och Alzheimers sjukdom : En maskininlärningsbaserad studie av hjärnbilder (Swedish)
Abstract [en]

Accurate diagnosis in the early stages is an important challenge for the prevention and effective treatment of Alzheimer’s Disease (AD). This work proposes a method of analysis of the correlation of Mild Cognitive Impairment (MCI) subtypes and its progression to AD using neuroimages such as structural magnetic resonance imaging (MRI) scans. Basic data pre-processing such as the extraction of brain-tissue related parts of the image, image registration and standardization to the mean and deviation is applied. A convolutional autoencoder (CAE) is used to reduce data dimensionality and learn generic features capturing AD biomarkers, followed by various clustering techniques in order to detect different patterns on MCI data. In addition, six MCI patient clusters are generated based on AD progression information provided by ADNI. The method is evaluated on a total of 1069 structural MRI scans (522 MCI scans, 243 AD scans and, 304 CN scans) on the baseline from ADNI database. No clearly separable clusters are found after using CAE model trained on MCI data. Therefore, it is difficult to confirm a strong correlation between different subtypes of MCI patients and its progression to AD. Nevertheless, a significant correlation within the baseline images of the respective six groups identified based on AD progression is reported. It is hypothesized that lack of domain-specific MRI processing, planned in this work, could be a deciding factor about the findings in this research.

Abstract [sv]

Noggrann diagnos i de tidiga stadierna är en viktig utmaning för förebyggande och effektiv behandling av Alzheimers sjukdom (AD). Detta arbete föreslår en analysmetod av korrelationen mellan subtyper av lindrig kognitiv störning (MCI) och dess progression till AD genom användandet av bildgivande tekniker så som strukturell magnetisk resonanstomografi (MRI). Grundläggande förbehandling som extraktion av hjärnvävnadsrelaterade delar av bilden, bildregistrering och standardisering till medelvärdet och standardavvikelse tillämpas. En faltnings-autoenkoder (CAE) används för att minska datadimensionaliteten och lära sig generiska funktioner som tar bort AD-biomarkörer, följt av olika klusteringstekniker för att upptäcka olika mönster på MCI-data. Dessutom genereras sex MCI-patientkluster baserade på AD-progressions-information tillhandahållen av ADNI. Metoden utvärderades på totalt 1069 strukturella MR-skanningar (522 MCI, 243 AD och 304 CN) på baslinjen från ADNI-databasen. Inga tydligt separerbara kluster finns efter användning av CAE-modell tränad på MCI-data. Det är därför svårt att bekräfta en stark korrelation mellan olika subtyper av MCI-patienter och dess progression till AD. Trots detta rapporteras en signifikant korrelation inom baslinjebilderna för respektive sex grupper som identifierats baserat på AD-progression. Det är hypotesen att bristen på domänspecifik MR-behandling, som planerats i detta arbete, skulle kunna vara avgörande för resultaten i denna forskning.

Abstract [ca]

El diagnòstic precoç i acurat és un repte important per a la prevenció i el tractament efectiu de la malaltia d’Alzheimer (AD). Aquest treball proposa un mètode d’anàlisi de la correlació dels subtipus de deteriorament cognitiu lleu (MCI) i la seva progressió a AD mitjançant neuroimatges com són les imatges per ressonància magnètica (MRI). S’aplica un pre-processat de dades bàsic com ara l’extracció de parts de la imatge relacionades amb el teixit cerebral, la normalització espacial de les imatges i la normalització respecte a la mitjana i la desviació. S’utilitza un auto-codificador convolucional (CAE) per reduir la dimensionalitat de les dades i aprendre les característiques genèriques que capturen biomarcadors d’AD. Seguidament, s’apliquen diverses tècniques de clustering per tal de detectar diferents patrons de dades de pacients MCI. A més a més, es generen sis grups (o clusters) de pacients MCI basant-se en la informació de progressió AD proporcionada per ADNI. El mètode és evaluat en un total de 1069 imatges de ressonància magnètica estructural (522 exploracions MCI, 243 exploracions AD i 304 exploracions CN) de la base de dades ADNI les quals corresponen a imatges del primer diagnòstic dels respectius pacients. No es troben clusters clarament separables després d’utilitzar el model CAE entrenat amb les dades de pacients MCI. Per tant, és difícil confirmar una forta correlació entre els diferents subtipus de pacients MCI i la seva progressió a AD. No obstant això, es reporta una correlació significant entre les imatges del primer diagnòstic dels sis grups respectius basats en la progressió cap a l’AD. Es planteja la hipòtesi que la manca de processament de domini específic de MRI, ja previst en aquest treball, podria ser un factor decisiu sobre els resultats negatius d’aquesta investigació.

Place, publisher, year, edition, pages
2019. , p. 53
Series
TRITA-EECS-EX ; 2019:100
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-251502OAI: oai:DiVA.org:kth-251502DiVA, id: diva2:1315722
Educational program
Master of Science in Engineering - Electrical Engineering
Supervisors
Examiners
Available from: 2019-05-24 Created: 2019-05-14 Last updated: 2019-05-24Bibliographically approved

Open Access in DiVA

fulltext(2050 kB)54 downloads
File information
File name FULLTEXT01.pdfFile size 2050 kBChecksum SHA-512
1baaa061e13ef7cc37f34dc28868bcfb6845f6760e7cd49e5d8ad5fba393a1e5de480d950f933cd0a907570943560715200a883d1f5baf34aaf6f0eb8d83620e
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 54 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 162 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf