DE202023100083U1

DE202023100083U1 - System zur Früherkennung der Alzheimer-Krankheit

Info

Publication number: DE202023100083U1
Application number: DE202023100083.5U
Authority: DE
Original assignee: Individual
Current assignee: Individual
Priority date: 2023-01-09
Filing date: 2023-01-09
Publication date: 2023-03-06
Anticipated expiration: 2033-01-10

Abstract

System (100) zur Frühdiagnose von AD, wobei das System (100) Folgendes umfasst:
eine Erfassungseinheit (102), die so konfiguriert ist, dass sie MRI-Bilder (Magnetresonanztomographie) eines Patienten erfasst, wobei die MRI-Bilder als Eingabe dienen;
eine Verarbeitungseinheit (104), die mit der Erfassungseinheit (102) verbunden ist, um die MRI-Bilder zu verarbeiten, um im Gehirn des Patienten vorhandene lokale Atrophien zu untersuchen, wobei die Verarbeitungseinheit (104) so konfiguriert ist, dass sie die MRI-Bilder verarbeitet, um Symptome von AD in einem frühen Stadium zu erkennen, wobei die Verarbeitungseinheit (104) ferner so konfiguriert ist, dass sie Vorhersageergebnisse von AD erzeugt, wobei die Verarbeitungseinheit (104) Folgendes umfasst:
eine Normalisierungseinheit (104a), die so konfiguriert ist, dass sie die eingegebenen MRI-Bilder normalisiert und normalisierte MRI-Bilder auf eine Standardschablone standardisiert, wobei die Normalisierungseinheit (104a) ferner so konfiguriert ist, dass sie durchschnittliche Intensitätswerte subtrahiert, um ADNI (AD Neuroimaging Initiative) Scan-Intensitätswerte zu normalisieren, und die Abweichung teilt, was zu einem Scan mit Einheitsvarianz und Nullmittelwert führt;
eine Neuausrichtungseinheit (104b), die mit der Normalisierungseinheit (104a) verbunden ist und so konfiguriert ist, dass sie die MRI-Bilder unter Verwendung der Technik der kleinsten Quadrate neu ausrichtet, um Artefakte zu entfernen, die als Ergebnis der Bewegung eines Patienten während des MRI-Scans auftreten; und
eine Extraktionseinheit (104c), die mit der Neuausrichtungseinheit (104b) verbunden ist,
zum Extrahieren von Merkmalen aus den MRI-Bildern, wobei die Merkmale sagittale Scheibenmerkmale umfassen, die sagittale Ebene als eine Referenzebene genommen wird und die Scheibenextraktion durch die Extraktionseinheit (104c) durchgeführt wird;
eine Servereinheit (106), die mit der Verarbeitungseinheit (104) verbunden ist, um eine Vielzahl von Klassifikatoren zu erzeugen, um die MRI-Bilder zu klassifizieren, wobei die Vielzahl von Klassifikatoren erzeugt wird durch:
Führung einer Schicht eines neuronalen Faltungsnetzwerks unter Verwendung von MRT-Bildern, die nicht mit Klassifizierungen versehen sind, und
Umsteuerung einer oberen Schicht des neuronalen Faltungsnetzes durch Verwendung von MRT-Bildern, die mit beliebigen Klassifizierungen augenärztlich gekennzeichnet sind; und
eine Ausgabeeinheit (108), die so konfiguriert ist, dass sie einen AD-Status, ein AD-Risiko und AD-Vorhersageergebnisse liefert, wobei die Ausgabeeinheit (108) mit der Servereinheit (106) verbunden ist.

Description

BEREICH DER ERFINDUNG
Die vorliegende Erfindung bezieht sich allgemein auf das Gebiet der medizinischen Systeme. Insbesondere bezieht sich die vorliegende Erfindung auf ein System zur Früherkennung von Alzheimer.
HINTERGRUND DER ERFINDUNG
Das menschliche Gehirn ist zu großartigen Leistungen fähig, denn wir alle nutzen es ständig, angefangen bei grundlegenden täglichen Aktivitäten bis hin zur Lösung komplexer Probleme. Im Laufe der Zeit macht unser Gehirn verschiedene Veränderungen durch, und ab einem bestimmten Alter beginnen seine Denk-, Verhaltens- und sozialen Fähigkeiten kontinuierlich abzunehmen. Dieser medizinische Zustand wird als Alzheimer-Krankheit (AD) bezeichnet, die die vorherrschende Form der Demenz ist und 60 bis 80 % der Fälle ausmacht. Die Alzheimer-Krankheit (AD) ist die häufigste Form der Demenz und eine neurodegenerative Erkrankung, die durch eine rasche Verschlechterung der kognitiven Fähigkeiten und des Verhaltens mit zunehmendem Alter gekennzeichnet ist.
Die weltweiten finanziellen Aufwendungen für die Behandlung von Demenzerkrankungen dürften sich 2019 auf über 1 Billion Dollar belaufen. Prognosen zufolge wird dieser Wirtschaftszweig bis 2030 doppelt so viel wert sein wie heute. Es gibt kein genaues Alter, in dem sich diese neurologische Störung bei einem Menschen bemerkbar macht, aber Alzheimer tritt in der Regel in späteren Lebensphasen auf, meist bei älteren Menschen. Obwohl diese Krankheit weit verbreitet ist, gibt es bis heute keine Heilung oder Früherkennung.
Obwohl die Symptome der Alzheimer-Krankheit erst sehr spät sichtbar werden, beginnen die Ursachen schon sehr früh (sie beginnen viele Jahre vor dem Auftreten der Symptome) und nehmen mit den verschiedenen Stadien zu. Bis der Patient die Symptome bemerkt und sie medizinisch untersucht und bestätigt werden, ist das Gehirn bereits in einem nicht wiederherstellbaren Stadium geschädigt. Deshalb ist es sehr wichtig, die Veränderungen so früh wie möglich zu erkennen.
Eine mögliche Antwort ist eine Technik zur Bestimmung des AD-Status eines Patienten. Die in dieser Innovation entwickelten Biomarker können verwendet werden, um eine Stichprobe von Probanden zuverlässig als an Alzheimer erkrankt, an einer anderen Art von Demenz leidend oder völlig gesund einzustufen. Die Biomarker können durch SELDI-Massenspektrometrie nachgewiesen werden. Sie bietet geeignete Behandlungsmaßnahmen und Methoden zur Messung des Ansprechens auf die Behandlung. Bestimmte Biomarker der Erfindung können auch als radioaktiv markierte Liganden in nicht-invasiven Bildgebungsverfahren wie der Positronen-Emissions-Tomographie (PET) eingesetzt werden.
In einer anderen Lösung werden ein System und eine Methode zur Unterstützung bei der Erkennung von Alzheimer bei Personen mit leichter kognitiver Beeinträchtigung (MCI) und zur Vorhersage, wie stark sich ihr Zustand im Laufe der Zeit verschlechtern würde, offengelegt. Es wurde auch eine Technik zum Trainieren eines solchen Systems offenbart, die das Erkennen von diskriminierenden Hirnarealen und deren Verwendung zur Feinabstimmung der Hilfstechnik beinhaltet. Das automatisierte Verfahren zur Verarbeitung numerischer Bilddaten, die mindestens ein zerebrales physiologisches Merkmal repräsentieren, das quantitativ in einer Vielzahl von dreidimensionalen räumlichen Zonen oder Voxeln innerhalb des Gehirns eines Patienten mit leichter kognitiver Beeinträchtigung oder MCI gemessen wird, um die Vorhersage des Auftretens von AD oder Konversion zu unterstützen, umfasst folgende Schritte Normalisierung der Bilddaten gemäß einer Norm, die in Abhängigkeit von den Bilddaten einer Population von Referenzpatienten mit bekanntem Verlauf bestimmt wird; und Analyse der Werte des physiologischen Merkmals, die in einer Auswahl von einem oder mehreren Voxeln gelesen werden, die mindestens einen vorbestimmten diskriminierenden Bereich bilden, der durch seine Koordinaten innerhalb eines spezifischen räumlichen Bezugssystems definiert ist, wobei die Analyse für den untersuchten Patienten einen Wert des physiologischen Merkmals liefert, der mit einer Vielzahl von Referenzwerten verglichen werden kann, die für die Referenzpatienten gelesen und berechnet wurden.
In einer anderen Lösung wird eine Technik zur Verfolgung eines Subjekts auf das Vorhandensein, das Fortschreiten, die Rückbildung oder die Stabilisierung von AD oder einer anderen Tauopathie in einem Subjekt oder zum Nachweis der verschiedenen AD-Stadien oder einer anderen Tauopathie in einem Subjekt offenbart. Das Verfahren umfasst: das In-Kontakt-Bringen des Subjekts oder einer Zelle, eines Gewebes, eines Organs, einer Flüssigkeit oder einer anderen Probe des Subjekts mit einer wirksamen Menge mindestens eines Antikörpers; und das Bestimmen des Vorhandenseins und der Verteilung eines Komplexes, der pathologisches Tau und den Antikörper umfasst, wobei das Vorhandensein und/oder die Verteilung des Komplexes in der Probe verwendet wird, um das Subjekt auf das Vorhandensein, das Fortschreiten, die Rückbildung oder die Stabilisierung von AD oder einer anderen Tauopathie zu überwachen, oder um das Stadium von AD oder einer anderen Tauopathie zu bestimmen, das mit dem Vorhandensein von pathologischem Tau verbunden ist.
Die direkte Anwendung eines elektrischen Signals auf das Sphenopalatinalganglion (SPG) eines Alzheimer-Patienten und die anschließende Behandlung von Alzheimer durch die Gestaltung des elektrischen Signals zur Stimulierung des SPG werden ebenfalls als mögliche Lösungen beschrieben.
Ein zweiter Ansatz empfiehlt die Verwendung einer diskriminierenden Sparse-Learning-Technik, um die komplizierte Beziehung zwischen dem Merkmal und der Bezeichnung durch den Aufbau einer latenten Darstellung zu untersuchen. Der klinische Score kann mit dieser Technik in Verbindung mit einer relationalen Regularisierung vorhergesagt werden, was zu einer Kategorisierung der AD-Phasen anhand multimodaler Merkmale führt. Der Hauptgrund für den weitverbreiteten Einsatz von SVM ist die Fähigkeit des Modells, auch mit wenigen Trainingsdatensätzen gute Leistungen zu erbringen und einen geringen Generalisierungsfehler zu haben.
In einem anderen Ansatz wird eine Support-Vector-Machine-basierte Kategorisierung von Alzheimer in der Frühdiagnose gezeigt. Mit nur drei Hirnschnitten erreichte die vorgeschlagene Methode eine ausgezeichnete Genauigkeit in der OASIS-MRT-Datenbank. In einer vergleichenden Analyse werden Expertise, t-Statistiken, der SVM-Gewichtsvektor direkt und die SVM-Gewichte als Signifikanzkarte als mögliche Merkmalsauswahlmethoden (p-map) untersucht. In der ADNI-MRT-Datenbank zeigten die resultierenden Klassifizierungsbewertungen ein angemessenes Maß an Genauigkeit.
Viele ML-Methoden legen den Schwerpunkt zu sehr auf die Segmentierung auf Kosten einer detaillierten Beschreibung der Bildtexturen. Dieser Mangel an Spezifität ist insgesamt nicht attraktiv. Eine erfolgreiche Bildsegmentierung kann jedoch nur erreicht werden, wenn zunächst aussagekräftige Merkmale und Attribute aus einem Gesamtbild abgerufen werden. Mit DL kann dieses Ziel erreicht werden. In den letzten Jahren wurden DL-basierte Systeme für die Bewertung von AD eingeführt. Um Merkmalswerte in Daten wie Farbe, Form, Text, Bild usw. zu ermitteln, werden bei DL häufig nichtlineare mehrschichtige Netze zur Analyse der Informationen eingesetzt. Aus einer großen Datenbank kann ein unfehlbares mathematisches Modell abgeleitet werden, ohne den zugrunde liegenden internen Mechanismus zu kennen. Darin liegt der Hauptnutzen von DL. Der Einsatz von DL in der medizinischen Bildanalyse ist vielversprechend, da die Interpretation der semantischen Bedeutung der Eingabedaten und die Entwicklung optimaler Merkmale auf hoher Ebene optimistisch stimmt. Dementsprechend macht der Bereich der DL rasche Fortschritte bei der genauen und frühzeitigen Erkennung von Alzheimer. Eine der bisherigen Lösungen enthält ein 2D-DenseNet-basiertes AD-Diagnoseverfahren, bei dem MRT-Daten in drei Richtungen aufgeteilt und dann die Ergebnisse der Analyse und Fusion von drei parallelen 2D-DenseNet kombiniert werden, um eine endgültige Diagnose zu erstellen.
Alternativ wird eine tiefe Multitask-Multikanal-Lernstrategie gezeigt, bei der die Kategorisierung von Gehirnerkrankungen anhand von MRT-Daten und die Ableitung von klinischen Score-Regressionen durchgeführt werden, mit einer Leistung, die bestimmten aktuellen State-of-the-Art-Systemen überlegen ist.
Als Alternative wird ein Modell vorgestellt, das die Lücke zwischen spärlichen Regressionstechniken und DL-basierten Netzwerken schließt. Dieses Deep Ensemble Sparse Regression Network kann die Alzheimer-Krankheit und leichte kognitive Störungen erkennen und diagnostizieren. Die Klassifizierungen der ADNI-Kohorte wurden von dem Modell mit großer Präzision durchgeführt.
Es wird auch ein TL-basierter Ansatz beschrieben, bei dem der OASIS-Datensatz vorverarbeitet und vor der Klassifizierung als Input für AlexNet verwendet wurde. Für die Durchführung von Simulationen werden die Parameter optimiert und die Monte-Carlo-Technik eingesetzt.
Ein weiterer Ansatz umfasst die Offenlegung eines Modells, das TL auf sagittalen MRT-Daten aus den Datenbanken OASIS und ADNI ausführt. Als Klassifikator stützte sich das Modell auf Support-Vektor-Maschinen. Dieses Modell stützte sich auf eine einzige Ebene, die aus vollständigen dreidimensionalen Magnetresonanztomographie-Daten extrahiert wurde.
Es besteht auch die Möglichkeit, eine Methode zu verwenden, die als sparse pre-trained RVFL bekannt ist. Durch wiederholtes Training erlernt ein spärlicher Auto-Encoder optimale Netzwerkparameter. Dies demonstriert den Wert von RVFL im Vergleich zu 16 anderen Benchmark-Datensätzen. Die Erfinder dieser Methode haben eine von einem gestapelten Auto-Encoder inspirierte Struktur für RVFL vorgestellt. Aufgrund der gestapelten Auto-Encoder und des RVFL-Klassifikators ist trotz der hohen Leistung des Modells eine Matrixinversion erforderlich. Die Matrixinversion ist ein zeit- und speicherintensiver Prozess, der daher am besten vermieden werden sollte, wenn der Datensatz groß ist und die Merkmalsdimensionen hoch sind.
Eine Alternative ist die Verwendung von Mehrheitsentscheidungen, um die Ergebnisse zahlreicher versteckter Schichten in einem RVFL-basierten Modell zusammenzufassen und dann das Endergebnis zu bestimmen. Darüber hinaus werden dreizehn verschiedene reale Datensätze aus unterschiedlichen Bereichen für das Endergebnis berücksichtigt. In einer der Veröffentlichungen wird ein Vergleich zwischen RVFL und der Extreme Learning Machine (ELM), einem anderen nicht-iterativen Modell, angestellt und festgestellt, dass RVFL überlegen ist. Darüber hinaus wird ein neuartiger RVFL-Entscheidungsbaum-Ensembleklassifikator als alternative Klassifizierungsmethode vorgestellt. In der Praxis werden Entscheidungsbäume sowohl mit einheitlicher als auch mit multivariater Logik verwendet.
Die bestehenden Systeme oder Geräte sind nicht in der Lage, das Problem der Früherkennung von Alzheimer zu lösen. Daher besteht ein Bedarf an einer besseren Lösung zur Früherkennung von Alzheimer.
ZUSAMMENFASSUNG DER ERFINDUNG
Die vorliegende Erfindung offenbart ein System, das für die Diagnose von Alzheimer im Frühstadium konfiguriert ist. Alzheimer ist die häufigste Form der Demenz und hat schwerwiegende Langzeitfolgen, einschließlich Veränderungen der Persönlichkeit, des Denkens, der Stimmungen und des Urteilsvermögens. Die strukturelle Magnetresonanztomographie (MRT) ist die am häufigsten verwendete Methode der Neurobildgebung, um strukturelle Veränderungen im Gehirn zu erkennen. Bei der vorliegenden Erfindung werden aus der 3D-MRT Schnitte in der Sagittalebene extrahiert, die detailliertere Informationen über die Amygdala, den Hippocampus, das Corpus Callosum und andere kritische Hirnareale liefern, die das Ausmaß des AD-Abbaus bestimmen. Diese sagittalen Schnitte werden zur Merkmalsextraktion in ein tiefes Faltungsnetzwerk eingespeist und mithilfe eines auf einer Fuzzy-Aktivierungsfunktion basierenden funktionalen neuronalen Netzwerks mit Zufallsvektoren klassifiziert. Die Erkennung von Alzheimer im Frühstadium ermöglicht den Beginn einer Behandlung mit wirksamen Medikamenten und eine veränderte Lebensweise, die dazu beitragen kann, die Entwicklung der Krankheit zu verlangsamen.
In einer Ausführungsform wird ein System zur Frühdiagnose von AD offenbart, das Folgendes umfasst: eine Erfassungseinheit, die so konfiguriert ist, dass sie MRI-Bilder (Magnetresonanztomographie) eines Patienten erfasst, wobei die MRI-Bilder als Eingabe dienen; eine Verarbeitungseinheit, die mit der Eingabeeinheit verbunden ist, um die MRI-Bilder zu verarbeiten, um lokale Atrophien zu untersuchen, die im Gehirn des Patienten vorhanden sind, wobei die Verarbeitungseinheit so konfiguriert ist, dass sie die MRI-Bilder verarbeitet, um Symptome von AD in einem frühen Stadium zu erkennen, wobei die Verarbeitungseinheit ferner so konfiguriert ist, dass sie Vorhersageergebnisse von AD erzeugt, wobei die Verarbeitungseinheit Folgendes umfasst: eine Normalisierungseinheit, die so konfiguriert ist, dass sie die eingegebenen MRI-Bilder normalisiert und normalisierte MRI-Bilder auf eine Standardschablone standardisiert, wobei die Normalisierungseinheit ferner so konfiguriert ist, dass sie durchschnittliche Intensitätswerte subtrahiert, um ADNI (AD Neuroimaging Initiative)-Scan-Intensitätswerte zu normalisieren, und die Abweichung dividiert, was zu einem Scan mit Einheitsvarianz und NullMittelwert führt; eine Neuausrichtungseinheit, die mit der Normalisierungseinheit verbunden ist und so konfiguriert ist, dass sie die MRI-Bilder unter Verwendung der Technik der kleinsten Quadrate neu ausrichtet, um Artefakte zu entfernen, die als Ergebnis einer Bewegung eines Patienten während des MRI-Scans auftreten; und eine Extraktionseinheit, die so konfiguriert ist, dass sie Merkmale einschließlich sagittaler Schichten aus den MRI-Bildern extrahiert, wobei die sagittale Ebene als eine Referenzebene genommen wird und die Schichtenextraktion durch die Extraktionseinheit durchgeführt wird; einen Server, der mit der Verarbeitungseinheit verbunden ist, um eine Vielzahl von Klassifizierern zu erzeugen, um die MRI-Bilder zu klassifizieren, wobei die Vielzahl von Klassifizierern erzeugt wird durch: Führen einer Schicht eines neuronalen Faltungsnetzwerks durch Verwendung von MRI-Bildern, die nicht mit irgendwelchen Klassifizierungen gekennzeichnet sind, und erneutes Führen einer oberen Schicht der Schicht des neuronalen Faltungsnetzwerks durch Verwendung von MRI-Bildern, die mit irgendwelchen Klassifizierungen gekennzeichnet sind; und eine Ausgabeeinheit, die so konfiguriert ist, dass sie einen AD-Status, ein AD-Risiko und AD-Vorhersageergebnisse bereitstellt.
Ein Ziel der vorliegenden Erfindung ist die Diagnose von Alzheimer bei einem Patienten im Frühstadium.
Ein weiteres Ziel der vorliegenden Erfindung ist die Aufnahme von MRT-Bildern des Patienten zur Verarbeitung der MRT-Bilder, um Symptome von Alzheimer zu bestimmen.
Ein weiterer Einwand der vorliegenden Erfindung ist die Bereitstellung oder Erzeugung von Vorhersageergebnissen bezüglich AD.
Ein weiteres Ziel der vorliegenden Erfindung ist es, Daten von ADNI zu sammeln und die Daten in einem Standardformat zu verarbeiten, um das System zu trainieren.
Ein weiteres Ziel der vorliegenden Erfindung ist die Extraktion der Sagittalebene aus 3D sMRI nach Bildregistrierung, Neuausrichtung, Rauschentfernung und Schnittextraktion.
Ein weiteres Ziel der vorliegenden Erfindung ist es, Deep Learning (DL) Architekturen zu entwickeln, die das Problem der Bestimmung von AD mit präzisen Genauigkeitsmetriken lösen.
Ein weiteres Ziel der vorliegenden Erfindung ist die Klassifizierung von extrahierten Merkmalen aus DL-Netzen unter Verwendung eines RVFL-Klassifizierers auf der Grundlage einer Fuzzy-Aktivierungsfunktion.
Eine detailliertere Erklärung der Erfindung wird durch Bezugnahme auf verschiedene Ausführungsformen davon, die in den beigefügten Figuren dargestellt ist, um besser zu verdeutlichen, die Vorteile und Merkmale der vorliegenden Erfindung angeboten werden. Es versteht sich, dass diese Abbildungen nur beispielhafte Ausführungsformen der Erfindung illustrieren und nicht als Einschränkung ihres Umfangs ausgelegt werden sollten. Die Erfindung wird anhand der folgenden Figuren näher erläutert und diskutiert.
Figurenliste
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Figuren gelesen wird, in denen gleiche Zeichen gleiche Teile in den Figuren darstellen, wobei:

1 ein Blockdiagramm eines Systems zur Früherkennung von Alzheimer zeigt;
2 einen Leistungsvergleich des beanspruchten Systems mit unterschiedlicher Anzahl von Neuronen (in %) zeigt; und
3 den Leistungsvergleich des vorgeschlagenen Modells mit verschiedenen Aktivierungsfusionen (in %) zeigt.

Der Fachmann wird verstehen, dass die Elemente in den Figuren der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren in Form der wichtigsten Schritte, die zum besseren Verständnis der Aspekte der vorliegenden Erfindung beitragen. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figuren durch herkömmliche Symbole dargestellt sind, und dass die Figuren nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Erfindung relevant sind, um die Figuren nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, ohne weiteres erkennbar sind.
DETAILLIERTE BESCHREIBUNG
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figuren dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und nicht als einschränkend angesehen werden.
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte einschließt, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System und die Beispiele, die hier angegeben werden, sind nur illustrativ und nicht als einschränkend gedacht.
Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügten Figuren im Detail beschrieben.
1 zeigt ein Blockdiagramm eines Systems (100) zur Frühdiagnose von Alzheimer, das Folgendes umfasst: eine Erfassungseinheit (102), die so konfiguriert ist, dass sie MRI-Bilder (Magnetresonanztomographie) eines Patienten erfasst, wobei die MRI-Bilder als Eingabe dienen; eine Verarbeitungseinheit (104), die mit der Erfassungseinheit (102) verbunden ist, um die MRI-Bilder zu verarbeiten, um lokale Atrophien, die im Gehirn des Patienten vorhanden sind, zu untersuchen, wobei die Verarbeitungseinheit (104) so konfiguriert ist, dass sie die MRI-Bilder verarbeitet, um Symptome von AD in einem frühen Stadium zu erfassen, wobei die Verarbeitungseinheit (104) ferner so konfiguriert ist, dass sie Vorhersageergebnisse von AD erzeugt, wobei die Verarbeitungseinheit (104) Folgendes umfasst: eine Normalisierungseinheit (104a), die so konfiguriert ist, dass sie die eingegebenen MRI-Bilder normalisiert und normalisierte MRI-Bilder auf eine Standardschablone standardisiert, wobei die Normalisierungseinheit (104a) ferner so konfiguriert ist, dass sie durchschnittliche Intensitätswerte subtrahiert, um ADNI (AD Neuroimaging Initiative)-Scan-Intensitätswerte zu normalisieren, und die Abweichung dividiert, was zu einem Scan mit Einheitsvarianz und Nullmittelwert führt; eine Neuausrichtungseinheit (104b), die mit der Normalisierungseinheit (104a) verbunden ist und so konfiguriert ist, dass sie die MRI-Bilder unter Verwendung der Technik der kleinsten Quadrate neu ausrichtet, um Artefakte zu entfernen, die als Ergebnis der Bewegung eines Patienten während des MRI-Scans auftreten; und eine Extraktionseinheit (104c), die mit der Neuausrichtungseinheit (104b) verbunden ist, um Merkmale aus den MRI-Bildern zu extrahieren, wobei die Merkmale sagittale Scheibenmerkmale umfassen, die sagittale Ebene als eine Bezugsebene genommen wird und die Scheibenextraktion durch die Extraktionseinheit (104c) durchgeführt wird; eine Servereinheit (106), die mit der Verarbeitungseinheit (104) verbunden ist, um eine Vielzahl von Klassifizierern zu erzeugen, um die MRI-Bilder zu klassifizieren, wobei die Vielzahl von Klassifizierern erzeugt wird durch: Führen einer Schicht eines neuronalen Faltungsnetzwerks durch Verwendung von MRI-Bildern, die nicht mit irgendwelchen Klassifizierungen gekennzeichnet sind, und erneutes Führen einer oberen Schicht der Schicht des neuronalen Faltungsnetzwerks durch Verwendung von MRI-Bildern, die mit irgendwelchen Klassifizierungen gekennzeichnet sind; und eine Ausgabeeinheit (108), die konfiguriert ist, um einen AD-Status, ein AD-Risiko und AD-Vorhersageergebnisse bereitzustellen, wobei die Ausgabeeinheit (108) mit der Servereinheit (106) verbunden ist, wobei die Ausgabeeinheit (108) des beanspruchten Systems eine Anzeigeeinheit (108a) umfasst, um AD-Ergebnisse anzuzeigen.
Die Verarbeitungseinheit (104) ist so konfiguriert, dass sie die VBM-Technik (Voxel Based Morphometry) einsetzt, um lokale Atrophien im Gehirn des Patienten zu untersuchen.
Das System (100) umfasst eine Warneinheit (112), um eine Warnmeldung über eine Kommunikationseinheit (114) zu senden, wenn die tatsächliche Änderungsrate des Schweregrads einen vordefinierten Schwellenwert überschreitet. Und die Kommunikationseinheit (114) ist ausgewählt aus einem Wireless-Fidelity (W-Fi), einem Bluetooth-Modul, einem ZigBee-Modul, einem Datensignalverarbeitungsmodul oder einer beliebigen Kombination davon.
Das System (100) umfasst eine Speichereinheit (110), die mit der Verarbeitungseinheit (104) verbunden ist, wobei die Speichereinheit (110) so konfiguriert ist, dass sie: AD-bezogene Daten des Patienten, die von der Verarbeitungseinheit (104) diagnostiziert und von der Ausgabeeinheit (108) erzeugt wurden, speichert; die aktuelle und frühere Krankengeschichte des Patienten speichert; und AD-Symptome und die vom System (100) vorgeschlagene Therapie zur Heilung von AD speichert.
Die Verarbeitungseinheit (104) ist so konfiguriert, dass sie MRT-Bilder registriert, um dem schnellen Prognosemodell für die AD-Kategorisierung den Zugriff aus einer beliebigen Quelle zu ermöglichen. Des Weiteren ist die Verarbeitungseinheit (104) auch so konfiguriert, dass sie: Informationen des Patienten einschließlich der früheren Krankengeschichte empfängt; die empfangenen Informationen des Patienten in einer Dateneinheit speichert; auf die statische Krankengeschichte aus der Dateneinheit zugreift; eine tatsächliche Änderungsrate des Schweregrads der Gehirnerkrankung bestimmt; und dem Patienten eine Warnung zum Ergreifen von Maßnahmen bereitstellt, wenn die tatsächliche Änderungsrate des Schweregrads eine vordefinierte Schwellengrenze überschreitet.
Das neuronale Faltungsnetzwerk ist so konfiguriert, dass es Merkmale aus den eingegebenen MRI-Bildern extrahiert. Ferner umfasst das neuronale Faltungsnetzwerk eine Faltungsschicht, eine Max-Pooling-Schicht, eine Eingabeschicht, eine vollständig verbundene Schicht und eine Ausgabeschicht, wobei die vollständig verbundene Schicht so konfiguriert ist, dass sie das extrahierte Merkmal glättet und einen Merkmalsvektor bildet, wobei die Ausgabe der vollständig verbundenen Schicht dem auf FAF (Flexible Authorization Framework) basierenden RVFL (Random Vector Functional Link)-Klassifikator zur Klassifizierung des Subjekts in eine bestimmte Kategorie zugeführt wird.
2 und 3 zeigen einen Leistungsvergleich des vorgeschlagenen Modells mit unterschiedlicher Anzahl von Neuronen bzw. einen Leistungsvergleich des vorgeschlagenen Modells mit unterschiedlicher Aktivierungsfunktion.
Zur Validierung des vorgeschlagenen Deep Convolutional Network-FAF-basierten RVFL-Klassifikators für die automatisierte Alzheimer-Prognose unter Verwendung der Analyse der Sagittalebene von sMRI werden in der vorliegenden Erfindung Tests durchgeführt. Um zu einer zuverlässigen Schlussfolgerung zu gelangen, werden drei Leistungsmaße berücksichtigt: Genauigkeit, Spezifität und Sensitivität. Die Konfusionsmatrix des vorgeschlagenen Modells wird mit Leistungsmessungen versehen, um die Wirksamkeit des Netzwerks zu demonstrieren. Die Klassifizierungsgenauigkeit unseres Modells wird anhand seiner Genauigkeit gemessen. Die Sensitivität des Netzwerks bei der Erkennung von Krankheiten wird daran gemessen, wie gut das Netzwerk eine kranke Person erkennen kann. Die Fähigkeit, das Vorhandensein einer Krankheit bei einer Person auszuschließen, ist das, was mit dem Begriff „Spezifität“ gemeint ist. Die Genauigkeit ist definiert als der Prozentsatz der korrekt vorhergesagten positiven Klassen. Sowohl für die Genauigkeit als auch für die Wiedererkennung liefert der F-Score eine einzige Punktzahl.
Bei der SLFN-Architektur von RVFL gibt es einen Kompromiss zwischen Leistung und Rechenaufwand. Die Leistung des Modells mit einer unterschiedlichen Anzahl von Neuronen ist in dargestellt. Die ideale Anzahl von Neuronen, um die beste Leistung zu erzielen, ist 2300, und mit steigender oder sinkender Anzahl von Neuronen nimmt auch die Leistung ab.
Bevor eine Klassifizierung vorgenommen wird, wird die Leistung des Systems unter Verwendung verschiedener Aktivierungsfunktionen, einschließlich der sF-Aktivierung, im RVFL-Netzwerk untersucht. Genauigkeit, Sensitivität, Spezifität, Präzision und f-score werden zur Bewertung der Leistung herangezogen. Die Klassifizierung wird durch Aktivierungsfunktionen erleichtert, die Nichtlinearität in das System einführen, so dass es viel effektiver mit Nichtlinearität umgehen kann. Mit der vorgeschlagenen s-Fuzzy-Aktivierungsfunktion, die als s-FAF bezeichnet wird, wird eine maximale Genauigkeit von 94,19 % erreicht. Die Sinus-Aktivierung schneidet in allen bewerteten Metriken am schlechtesten ab. Die detaillierte Leistung ist in dargestellt.
Die frühzeitige Erkennung von Alzheimer ermöglicht es den Betroffenen, eine Behandlung mit wirksamen Medikamenten und eine veränderte Lebensweise einzuleiten, die dazu beitragen kann, die Entwicklung der Krankheit zu verlangsamen. Auf der Grundlage der experimentellen Daten, die mit dem vorgeschlagenen System gewonnen wurden, wird der Schluss gezogen, dass das behauptete System besser abschneidet als das vorgeschlagene System. Die Auswahl der optimalen Anzahl von Neuronen für RVFL ist eine schwierige Aufgabe. Durch experimentelle Versuche konnten wir jedoch die optimale Anzahl von Neuronen für das vorgeschlagene System berechnen. Ein einziger Parameter, die Anzahl der versteckten Neuronen, ist alles, was zur Optimierung des vorgeschlagenen Netzes erforderlich ist; seine Leistung wird also nur von diesem einen Parameter beeinflusst. Um die optimale Anzahl der versteckten Neuronen für die besten Leistungsergebnisse zu ermitteln, werden Experimente zur Gittersuche durchgeführt. Bei den Aktivierungsfunktionen schneidet die von uns vorgeschlagene Fuzzy-Funktion, die s-membership fuzzy function, am besten ab, obwohl die Aktivierungsfunktion von Radbas ähnliche Leistungskennzahlen aufweist. Die zufällige Gewichtszuweisung unseres Klassifikationsmodells führt zu schnellen und genauen Klassifikationsergebnissen. Folglich wird das vorgeschlagene System eingesetzt, um die klinische Belastung durch die Früherkennung von Krankheiten zu verringern.
Die beanspruchte Erfindung schlägt ein Deep Convolutional FAF-basiertes RVFL-System für die Klassifizierung von Alzheimer-Patienten, Patienten mit leichter kognitiver Beeinträchtigung und gesunden Patienten anhand von MRT-Bildern des Gehirns vor. Die Eingabedaten werden aus dem öffentlich zugänglichen ADNI-Datensatz gesammelt und die sagittalen Schichten werden aus den MRT-Bildern extrahiert. Dann erfolgt die Verarbeitung der Eingabedaten, einschließlich Normalisierung, Neuausrichtung, Registrierung usw. Die vorgeschlagenen Netzwerke extrahieren die High-Level-Merkmale aus den Schichten der Sagittalebene mithilfe eines DL-basierten Resnet50-Netzwerks, und die extrahierten Merkmale werden mithilfe eines FAF-basierten RVFL-Klassifikators klassifiziert. Das vorgeschlagene Modell liefert bessere Leistungskennzahlen mit einer Genauigkeit von 94.19 %, einer Sensitivität von 91.06 %, einer Spezifität von 95.76 %, einer Präzision von 91.48 % und einem f-Score von 91.27 %.
Das in der vorliegenden Erfindung beschriebene System hilft nicht nur bei der Diagnose verschiedener Formen der Hirndegeneration, sondern kann auch sehr viel größere Datensätze verarbeiten. Obwohl sich diese Studie ausschließlich auf strukturelle zerebrale Atrophie unter Verwendung von MRT konzentriert, könnte sie erweitert werden, um PET-Bilder, die Zugang zu metabolischen Veränderungen im Gehirn aufgrund von Alzheimer geben, als Teil des multimodalen Datensatzes einzubeziehen. Dies würde die Einbeziehung von Merkmalen aus PET, diffusionsgewichteter Bildgebung und quantitativer Suszeptibilitätskartierung zusätzlich zur MRT bedeuten. Neben der binären Klassifizierung kann auch eine Mehrklassen-Klassifizierung durchgeführt werden.
Bezugszeichenliste

100: System (100) zur Frühdiagnose von Alzheimer, das Folgendes umfasst: eine Erfassungseinheit (102), die so konfiguriert ist, dass sie MRI-Bilder (Magnetresonanztomographie) eines Patienten erfasst.
102: Erfassungseinheit
104: Verarbeitungseinheit
104a: Normalisierungseinheit
104b: Ausrichtungseinheit
104c: Extraktionseinheit
106: Server-Einheit
108: Ausgabeeinheit
110: Speichereinheit
112: Alarmierungseinheit
114: Kommunikationseinheit

Claims

System (100) zur Frühdiagnose von AD, wobei das System (100) Folgendes umfasst: eine Erfassungseinheit (102), die so konfiguriert ist, dass sie MRI-Bilder (Magnetresonanztomographie) eines Patienten erfasst, wobei die MRI-Bilder als Eingabe dienen; eine Verarbeitungseinheit (104), die mit der Erfassungseinheit (102) verbunden ist, um die MRI-Bilder zu verarbeiten, um im Gehirn des Patienten vorhandene lokale Atrophien zu untersuchen, wobei die Verarbeitungseinheit (104) so konfiguriert ist, dass sie die MRI-Bilder verarbeitet, um Symptome von AD in einem frühen Stadium zu erkennen, wobei die Verarbeitungseinheit (104) ferner so konfiguriert ist, dass sie Vorhersageergebnisse von AD erzeugt, wobei die Verarbeitungseinheit (104) Folgendes umfasst: eine Normalisierungseinheit (104a), die so konfiguriert ist, dass sie die eingegebenen MRI-Bilder normalisiert und normalisierte MRI-Bilder auf eine Standardschablone standardisiert, wobei die Normalisierungseinheit (104a) ferner so konfiguriert ist, dass sie durchschnittliche Intensitätswerte subtrahiert, um ADNI (AD Neuroimaging Initiative) Scan-Intensitätswerte zu normalisieren, und die Abweichung teilt, was zu einem Scan mit Einheitsvarianz und Nullmittelwert führt; eine Neuausrichtungseinheit (104b), die mit der Normalisierungseinheit (104a) verbunden ist und so konfiguriert ist, dass sie die MRI-Bilder unter Verwendung der Technik der kleinsten Quadrate neu ausrichtet, um Artefakte zu entfernen, die als Ergebnis der Bewegung eines Patienten während des MRI-Scans auftreten; und eine Extraktionseinheit (104c), die mit der Neuausrichtungseinheit (104b) verbunden ist, zum Extrahieren von Merkmalen aus den MRI-Bildern, wobei die Merkmale sagittale Scheibenmerkmale umfassen, die sagittale Ebene als eine Referenzebene genommen wird und die Scheibenextraktion durch die Extraktionseinheit (104c) durchgeführt wird; eine Servereinheit (106), die mit der Verarbeitungseinheit (104) verbunden ist, um eine Vielzahl von Klassifikatoren zu erzeugen, um die MRI-Bilder zu klassifizieren, wobei die Vielzahl von Klassifikatoren erzeugt wird durch: Führung einer Schicht eines neuronalen Faltungsnetzwerks unter Verwendung von MRT-Bildern, die nicht mit Klassifizierungen versehen sind, und Umsteuerung einer oberen Schicht des neuronalen Faltungsnetzes durch Verwendung von MRT-Bildern, die mit beliebigen Klassifizierungen augenärztlich gekennzeichnet sind; und eine Ausgabeeinheit (108), die so konfiguriert ist, dass sie einen AD-Status, ein AD-Risiko und AD-Vorhersageergebnisse liefert, wobei die Ausgabeeinheit (108) mit der Servereinheit (106) verbunden ist.
System nach Anspruch 1, wobei die Verarbeitungseinheit (104) so konfiguriert ist, dass sie die VBM-Technik (Voxel Based Morphometry) verwendet, um im Gehirn des Patienten vorhandene lokale Atrophien zu untersuchen.
System nach Anspruch 1, wobei das System (100) eine Warneinheit (112) enthält, um eine Warnmeldung über eine Kommunikationseinheit (114) zu senden, wenn die tatsächliche Änderungsrate des Schweregrads eine vordefinierte Schwellengrenze überschreitet.
System nach Anspruch 2, wobei die Kommunikationseinheit (114) ausgewählt ist aus einem Wireless-Fidelity (W-Fi), einem Bluetooth-Modul, einem ZigBee-Modul, einem Datensignalverarbeitungsmodul oder einer beliebigen Kombination davon.
System nach Anspruch 1, wobei das System (100) eine Speichereinheit (110) enthält, die mit der Verarbeitungseinheit (104) verbunden ist, wobei die Speichereinheit (110) konfiguriert ist, um: AD-bezogene Daten des Patienten zu speichern, die von der Verarbeitungseinheit (104) diagnostiziert und von der Ausgabeeinheit (108) erzeugt wurden; die aktuelle und frühere medizinische Vorgeschichte des Patienten zu speichern; und die AD-Symptome und die vom System (100) vorgeschlagene Therapie zur Heilung von AD speichern.
System nach Anspruch 1, wobei die Verarbeitungseinheit (104) so konfiguriert ist, dass sie MRT-Bilder registriert, um dem schnellen Prognosemodell für die AD-Kategorisierung den Zugriff aus einer beliebigen Quelle zu ermöglichen.
System nach Anspruch 1, wobei die Verarbeitungseinheit (104) konfiguriert ist, um: Informationen über den Patienten einschließlich der medizinischen Vorgeschichte zu empfangen; die empfangenen Informationen über den Patienten in einer Dateneinheit zu speichern; Zugriff auf die statische Krankengeschichte aus der Dateneinheit; eine tatsächliche Änderungsrate des Schweregrads einer Gehirnerkrankung zu bestimmen; und dem Patienten eine Warnung zukommen zu lassen, um Maßnahmen zu ergreifen, wenn die tatsächliche Änderungsrate des Schweregrades einen vordefinierten Schwellenwert überschreitet.
System nach Anspruch 1, wobei die Ausgabeeinheit (108) eine Anzeigeeinheit (108a) zur Anzeige der vom System (100) ermittelten Ergebnisse von AD aufweist.
System nach Anspruch 1, wobei das neuronale Faltungsnetzwerk so konfiguriert ist, dass es Merkmale aus den eingegebenen MRI-Bildern extrahiert.
System nach Anspruch 9, wobei das neuronale Faltungsnetzwerk eine Faltungsschicht, eine Max-Pooling-Schicht, eine Eingabeschicht, eine vollverknüpfte Schicht und eine Ausgabeschicht umfasst, wobei die vollverknüpfte Schicht so konfiguriert ist, dass sie das extrahierte Merkmal glättet und einen Merkmalsvektor bildet, wobei die Ausgabe der vollverknüpften Schicht dem auf FAF (Flexible Authorization Framework) basierenden RVFL (Random Vector Functional Link)-Klassifikator zur Klassifizierung des Subjekts in eine bestimmte Kategorie zugeführt wird.