Презентация Анализ на аномалии и визуализация данных. МРТ головного мозга

Анализ на аномалии и визуализация данных МРТ головного мозга Control Process and Stability 2019 Алиева Сабина

Введение Объемы данных, получаемых медиками для постановки диагноза и лечения пациенту, а также сложность задач, возникающих в нейрофизиологии, неуклонно растет

Введение Нейрофизиология, как и любые медицинские исследования, представляют собой обширную сферу для применения методов машинного обучения.

Актуальность Физиологические и функциональные изменения в головном мозге происходят намного раньше, прежде чем проявится очевидная для конкретного заболевания симптоматика. В связи с этим, анализ цифровых данных, полученных при магнитно-резонансной томографии, представляет большой интерес.

Исходные данные Для исследования Санкт-Петербургским научно-исследовательским психоневрологическим институтом имени В. М Бехтерева были предоставлены данные о 139 пациентах. Данные получены с помощью обработки МРТ программным пакетом FreeSurfer , который для каждой структуры мозга вычисляет необходимые для исследования параметры.

Исходные данные Все данные изначально размечены на четыре группы по заболеваниям: Пациенты, страдающие болезнью Альцгеймера Страдающие сосудистой деменцией Страдающие депрессией Контрольная группа.

Необходимые параметры Для данных заболеваний врачи принимают во внимание следующие параметры каждой структуры мозга: Количество белого вещества Количество серого вещества Средняя толщина Площадь поверхности. Значения каждого из этих параметров берутся для левой и правой структуры головного мозга соответственно. Каждая структура относится к определенной доле мозга: лобная, теменная, затылочная, височная, инсула, гиппокамп.

Выбор методов для визуализации Целью исследования является нахождение метода понижения размерности, который наиболее точно сохранит и отобразит связь между классами пациентов с перечисленными заболеваниями. Среди множества методов снижения размерности были выделены следующие: Метод анализа главных компонент Метод анализа независимых компонент Стохастическое вложение соседей с t-распределением Многомерное шкалирование Линейный дискриминантный анализ Неотрицательное матричное разложение

Визуализация Серые точки - страдающие болезнью Альцгеймера Желтые точки - страдающие сосудистой деменцией Синие точки - страдающие депрессией Красные - контрольная группа

Височная доля PCA

Теменная доля PCA

Лобная доля PCA

Insula PCA

Затылочная доля PCA

Лимбическая система PCA

LDA 2 components Лобная доля

Анализ на аномалии данных гиппокампа Визуализация с помощью PCA

Анализ на аномалии данных парагиппокампальной извилины Визуализация с помощью PCA

Анализ полученных результатов Метод понижения размерности LDA сохраняет больше информации о классах больных. Попытки визуализации данных о каждой доле мозга с помощью методов понижения размерности не столь эффективны, сколько анализ каждой структуры мозга отдельно. С помощью плотностного алгоритма кластеризации можно качественно детектировать аномалии в нейрофизиологических данных. В составе аномальных точек в основном больные из указанных категорий и лишь редко из контрольной группы, что говорит о целесообразности использования этого метода анализа данных.

Заключение В результате получены подтверждения оправданности использования методов понижения размерности для визуализации данных МРТ мозга человека. Среди описанных методов некоторые демонстрируют явные преимущества в сравнении с остальными для конкретных задач. Результаты анализа на аномалии также сопоставимы с предположениями врачей об изменениях в структурах мозга при данных заболеваниях, что также подтверждает оправданность исследования данных МРТ на аномалии.