Dokument: Computerassistierte Differenzierung zwischen Patienten mit idiopathischem Parkinson-Syndrom und gesunden Kontrollprobanden anhand unterschiedlicher MRT-Bildgebungsmodalitäten unter Verwendung von Deep Learning

Titel:	Computerassistierte Differenzierung zwischen Patienten mit idiopathischem Parkinson-Syndrom und gesunden Kontrollprobanden anhand unterschiedlicher MRT-Bildgebungsmodalitäten unter Verwendung von Deep Learning
URL für Lesezeichen:	https://docserv.uni-duesseldorf.de/servlets/DocumentServlet?id=65533
URN (NBN):	urn:nbn:de:hbz:061-20240416-113230-5
Kollektion:	Dissertationen
Sprache:	Deutsch
Dokumententyp:	Wissenschaftliche Abschlussarbeiten » Dissertation
Medientyp:	Text
Autor:	Boschenriedter, Christian [Autor]
Dateien:	[Dateien anzeigen] Adobe PDF [Details] 1,87 MB in einer Datei [ZIP-Datei erzeugen] Dateien vom 13.04.2024 / geändert 13.04.2024
Beitragende:	Univ.-Prof. Dr. med. Dipl.-Inform. Caspers, Julian [Gutachter] Prof. Dr. med. Eickhoff, Simon B. [Gutachter]
Stichwörter:	Deep Learning, CNN, LSTM, MRT, Parkinson
Dewey Dezimal-Klassifikation:	600 Technik, Medizin, angewandte Wissenschaften » 610 Medizin und Gesundheit
Beschreibungen:	Obwohl das idiopathische Parkinson-Syndrom eine weit verbreitete und gesundheitsökonomisch relevante Erkrankung ist, besteht ein Mangel an objektiven Biomarkern für die Diagnostik, sodass Fehldiagnosen häufig sind. Da die Bildgebung mittels Magnetresonanztomographie bereits erfolgreich als experimentelle, nichtinvasive Methode zur computerassistierten Erkennung betroffener Patienten genutzt wurde, stellt sie einen vielversprechenden Ansatz für die Entwicklung eines solchen Biomarkers dar. In der vorliegenden Studie wurde daher an einer Hauptkohorte von 135 Probanden (63 Patienten mit idiopathischem Parkinson-Syndrom, 72 gesunde Kontrollprobanden) untersucht, inwieweit strukturelle, funktionelle und diffusionsgewichtete Aufnahmen des Gehirns nach spezifischer Vorverarbeitung für die Differenzierung mittels deep learning-Verfahren geeignet sind. Des Weiteren wurde analysiert, inwiefern die Kombination mehrerer Bildgebungsmodalitäten sowie der Einbezug von Angaben zum Alter und Geschlecht der Probanden im Rahmen der Krankheitsvorhersage einen Vorteil gegenüber der Verwendung einer einzigen Bildgebungsmodalität bietet. Zu diesem Zweck wurden strukturelle T1-gewichtete Aufnahmen mit Methoden aus der Voxel-basierten Morphometrie vorverarbeitet, die Differenzierung erfolgte mit Hilfe eines dreidimensionalen convolutional neural network. Aus den funktionellen Aufnahmen im Ruhezustand wurden die Zeitserien (time courses) 100 unabhängiger Komponenten mittels dualer Regression extrahiert und unter Verwendung eines long short-term memory-Modells klassifiziert. Als Grundlage für die Differenzierung der diffusionsgewichteten Aufnahmen mit einem dreidimensionalen convolutional neural network dienten die fraktionale Anisotropie, die radiale Diffusionsfähigkeit sowie die axiale und die mittlere Diffusivität. Die Klassifizierungsergebnisse der drei Bildgebungsmodalitäten wurden in einem multimodalen Ansatz mit probandenspezifischen Angaben zum Alter und Geschlecht kombiniert, um durch Anwendung von logistic regression bzw. support vector machine ein Gesamtklassifizierungsergebnis zu berechnen. Evaluiert wurden alle Verfahren an der Hauptkohorte mit hold-out validation im 80:20 split und 5-facher Kreuzvalidierung. Deren Generalisierbarkeit wurde im Rahmen einer externen Validierung an mehreren unabhängigen Kohorten überprüft. Es zeigte sich, dass der multimodale Ansatz in Kombination mit Angaben zum Alter und Geschlecht der Probanden den untersuchten unimodalen Verfahren überlegen ist (ROC AUC von 0,91 und balanced accuracy von 85% in der 5-fachen Kreuzvalidierung). Ein Vergleich der einzelnen Bildgebungsmodalitäten untereinander ergab, dass mit den beschriebenen Verfahren anhand der funktionellen Aufnahmen des Gehirns im Ruhezustand eine präzisere Differenzierung der Probanden möglich war als mit Hilfe der anderen beiden Bildgebungsmodalitäten. Ferner zeigte sich, dass die entwickelten Verfahren im Rahmen der externen Validierung eine vergleichsweise geringe Vorhersagegenauigkeit aufwiesen. Die unzureichende externe Validität bei der Verwendung künstlicher Intelligenz in der Radiologie ist ein häufiges Phänomen, das auf hardware- sowie probandenspezifischen Faktoren beruht. Folglich zeigen diese Ergebnisse, dass eine Anwendung der vorgestellten Verfahren im klinischen Alltag verfrüht wäre. Zur Erhöhung der Klassifizierungsgenauigkeit sind weitere Datensätze von Probanden aus unterschiedlichen Bildgebungsstudien sowie eine Optimierung der Vorverarbeitungsschritte und der deep learning-Modelle erforderlich. Despite idiopathic Parkinson's disease being a common disorder with a significant health and economic burden, biomarkers for its diagnosis remain elusive, resulting in frequent misdiagnoses. Magnetic resonance imaging techniques have already been effectively employed as an experimental, non-invasive method for computer-assisted detection of affected patients. Therefore, it offers a promising solution for developing a biomarker for diagnosing Parkinson's disease. In this research study, a cohort of 135 subjects (63 patients diagnosed with idiopathic Parkinson's disease, 72 healthy control subjects) was examined to evaluate structural, functional, and diffusion-weighted brain images. After specific preprocessing, these images were prepared for classification using deep learning methods. Furthermore, it was explored whether combining multiple imaging modalities and including information regarding the subject's age and sex offered any advantages in classification compared to using a single imaging modality. Structural image preprocessing included voxel-based morphometry techniques, and classification was carried out using a three-dimensional convolutional neural network. The functional images were preprocessed by extracting the time courses of 100 independent components using dual regression and were classified using a long short-term memory model. Furthermore, fractional anisotropy and radial, axial, and mean diffusivity for the diffusion-weighted images served as the basis for classification using a three-dimensional convolutional neural network model. Finally, the results of all three imaging modalities were merged with subject-specific information on age and sex to evaluate an overall classification result using logistic regression and support vector machine models. All methods were applied to the cohort with hold-out validation in an 80:20 split and 5-fold cross-validation. Moreover, generalization was assessed by external validation on several geographically external cohorts. It turned out that the multimodal approach, combined with information on age and sex, outperformed all unimodal methods (ROC AUC of 0.91 and balanced accuracy of 85% in 5-fold cross-validation). Furthermore, upon comparing individual imaging modalities, it was observed that functional brain images attained higher precision in categorizing subjects than the other two imaging modalities. However, while attempting to classify subjects from external cohorts, all developed methods significantly reduced prediction accuracy. Insufficient external validity is a common phenomenon when using artificial intelligence models in radiology based on hardware- and subject-specific parameters. Consequently, the results demonstrate that applying the presented methods in clinical practice would be premature. Finally, it can be concluded that additional datasets of subjects from various imaging studies and optimization of the preprocessing steps and deep learning models are required to enhance classification accuracy.
Lizenz:	Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung 4.0 International Lizenz
Fachbereich / Einrichtung:	Medizinische Fakultät » Institute » Institut für Diagnostische Radiologie
Dokument erstellt am:	16.04.2024
Dateien geändert am:	16.04.2024
Promotionsantrag am:	23.08.2023
Datum der Promotion:	11.04.2024