Aprendizado profundo para predição da idade cerebral utilizando imagens de ressonância magnética estrutural

Abstract

Estudos relacionados ao envelhecimento natural do cérebro tem demonstrado diversas causas que acometem o sistema nervoso central, causando declínio cognitivo e possíveis doenças relacionadas à idade cerebral. Atualmente, radiologistas estimam a idade cerebral por meio de diversas análises e estudos do paciente, sendo uma tarefa complexa e que demanda expertise. Técnicas de Aprendizado Profundo podem auxiliar equipes médicas na solução deste problema. Modelos de Redes Neurais Convolucionais, baseados em reconhecimento de padrões em imagens, são amplamente utilizados na literatura, tendo mostrado promissores para estimar a idade cerebral de um paciente por meio de neuroimagens. O objetivo deste trabalho é desenvolver modelos de Redes Neurais Convolucionais para predição da idade cerebral por meio de Imagens Cerebrais de Ressonância Magnética Estrutural. Foram utilizadas imagens de Ressonância Magnética Estrutural de pacientes saudáveis pertencentes ao conjunto de dados ADNI (Alzheimer?s Disease Neuroimaging Initiative). A ADNI é uma iniciativa composta por diversos pesquisadores que coletam, validam e utilizam dados para desenvolver estudos relacionados à progressão da doença de Alzheimer. Duas abordagens foram utilizadas: a primeira utiliza modelos pré-treinados de classificação, onde a camada classificadora é substituída com o propósito de criar um modelo de regressão que faça a predição da idade cerebral. A segunda abordagem utiliza um modelo pré-treinado na tarefa de segmentação de tumor cerebral. Um modelo de regressão é treinado e inicializado com os pesos do modelo de segmentação. Várias arquiteturas foram experimentadas na primeira abordagem; a que sobressaiu apresentou Erro Absoluto Médio de 3,57 anos e Erro Percentual Absoluto Medio de 4,72%. Na segunda abordagem, foi alcançado o Erro Absoluto Médio de 3,39 e Erro Percentual Absoluto Medio de 4,46% utilizando uma arquitetura computacionalmente mais leve. Os resultados demonstram ser promissores quando comparados a trabalhos atuais.

Abstract: Studies related to the natural aging of the brain have demonstrated several causes that affect the central nervous system, causing cognitive decline and possible diseases related to brain age. Currently, radiologists estimate brain age through various analyses and patient studies, a complex task that demands expertise. Deep Learning techniques can help medical teams to solve this problem. Convolutional Neural Network models, based on image pattern recognition, are widely used in the literature and have demonstrated good performance for estimating the brain age of a patient through neuroimaging. The objective of this work is to develop Convolutional Neural Network models for predicting brain age using Structural Magnetic Resonance Imaging. Structural MRI images from healthy patients belonging to the ADNI (Alzheimer?s Disease Neuroimaging Initiative) dataset were used. ADNI is an initiative composed of several researchers who collect, validate and use data to develop studies related to the progression of Alzheimer?s disease. Two approaches were used: the first uses pre-trained classification models, where the classifier layer is replaced for the purpose of creating a regression model that makes a prediction of brain age. The second approach uses a pre-trained model in the brain tumor segmentation task. A regression model is trained and initialized with the weights from the segmentation model. Several architectures were tried in the first approach; the one that excelled showed a Mean Absolute Error of 3,57 and a Mean Absolute Percentage Error of 4,72%. In the second approach, the Mean Absolute Error of 3,39 and Mean Absolute Percentage Error of 4,46% was achieved using a computationally lighter architecture. The results show promise when compared to current works.