Towards FDG-PET image characterization and classification : application to Alzheimer's disease computer-aided diagnosis
Pour la caractérisation et la classification des images TEP-FDG : application du diagnostic assisté par ordinateur de la maladie d'Alzheimer
Résumé
Alzheimer's disease (AD) is becoming the dominant type of neurodegenerative brain disease in elderly people, which is incurable and irreversible for now. It is expected to diagnose its early stage, Mild Cognitive Impairment (MCI), then interventions can be applied to delay the onset. Fluorodeoxyglucose positron emission tomography (FDG-PET) is considered as a significant and effective modality to diagnose AD and the corresponding early phase since it can capture metabolic changes in the brain thereby indicating abnormal regions. Therefore, this thesis is devoted to identify AD from Normal Control (NC) and predict MCI conversion under FDG-PET modality. For this purpose, three independent novel methods are proposed. The first method focuses on developing connectivities among anatomical regions involved in FDG-PET images which are rarely addressed in previous methods. Such connectivities are represented by either similarities or graph measures among regions. Then combined with each region's properties, these features are fed into a designed ensemble classification framework to tackle problems of AD diagnosis and MCI conversion prediction. The second method investigates features to characterize FDG-PET images from the view of spatial gradients, which can link the commonly used features, voxel-wise and region-wise features. The spatial gradient is quantified by a 2D histogram of orientation and expressed in a multiscale manner. The results are given by integrating different scales of spatial gradients within different regions. The third method applies Convolutional Neural Network (CNN) techniques to three views of FDG-PET data, thereby designing the main multiview CNN architecture. Such an architecture can facilitate convolutional operations, from 3D to 2D, and meanwhile consider spatial relations, which is benefited from a novel mapping layer with cuboid convolution kernels. Then three views are combined and make a decision jointly. Experiments conducted on public dataset show that the three proposed methods can achieve significant performance and moreover, outperform most state-of-the-art approaches.
La maladie d’Alzheimer (MA) est la maladie neurodégénérative--incurable et irréversible pour le moment--la plus répandue chez les personnes âgées. On s’attend à ce qu’elle soit diagnostiquée à son stade précoce, Mild Cognitive Impairment (MCI), pour pouvoir intervenir et retarder son apparition. La tomographie par émission de positons au fluorodésoxyglucose (TEP-FDG) est considérée comme une modalité efficace pour diagnostiquer la MA et la phase précoce correspondante, car elle peut capturer les changements métaboliques dans le cerveau, indiquant ainsi des régions anormales. Cette thèse est consacrée à identifier et distinguer, sur des images TEP, les sujets atteints de MA de ceux qui sont sains. Ce travail vise également à prédire la conversion de MCI sous la modalité d’imagerie TEP-FDG. A cette fin, trois nouvelles méthodes indépendantes sont proposées.La première méthode est axée sur le développement de connectivités entre les régions anatomiques impliquées dans les images au TEP-FDG, qui sont rarement abordées dans les méthodes déjà publiées. Ces connectivités sont représentées par des similarités ou des mesures graphiques entre régions. Combinées ensuite aux propriétés de chaque région, ces caractéristiques sont intégrées dans un cadre de classification d’ensemble conçu pour résoudre les problèmes de diagnostic MA et de prédiction de conversion MCI.La seconde méthode étudie les caractéristiques permettant de caractériser les images au TEP-FDG à partir de gradients spatiaux, ce qui permet de lier les caractéristiques couramment utilisées, voxel ou régionales. Le gradient spatial est quantifié par un histogramme 2D d’orientation et exprimé sous forme multi-échelle. Les résultats sont obtenus en intégrant différentes échelles de gradients spatiaux dans différentes régions.La troisième méthode applique le Convolutional Neural Network (CNN) sur les trois axes des données 3D de TEP-FDG, proposant ainsi la principale architecture CNN à vues multiples. Une telle architecture peut faciliter les opérations de convolution, de la 3D à la 2D, tout en tenant compte des relations spatiales, qui bénéficient d’une nouvelle couche de cartographie. Ensuite, le traitement sur les trois axes sont combinées et prennent une décision conjointement.Les expériences menées sur des ensembles de données publics montrent que les trois méthodes proposées peuvent atteindre des performances significatives et, de surcroît, dépasser les approches les plus avancées.
Origine : Version validée par le jury (STAR)
Loading...