Ανάπτυξη Τεχνητού Νευρωνικού Δικτύου για την Κλινική Εκτίμηση Τομοσπινθηρογραφικών Απεικονίσεων του Εγκεφάλου

Ανάπτυξη Τεχνητού Νευρωνικού Δικτύου για την Κλινική Εκτίμηση Τομοσπινθηρογραφικών Απεικονίσεων του Εγκεφάλου

Journal not recorded · Published 2025-01-01

MAZOKOPAKI ILIANA

Read the original publication

A plain-language reading has not been prepared for this paper yet.

Original abstract

Η παρούσα εργασία αποσκοπεί στην προσέγγιση της απεικονιστικής ιατρικής με τη χρήση τεχνητών νευρωνικών δικτύων. Η ιατρική φυσική και ειδικότερα η απεικονιστική ιατρική διαδραματίζουν καίριο ρόλο στη σύγχρονη ιατρική, ενισχύοντας τη διαγνωστική και θεραπευτική διαδικασία μέσω προηγμένων τεχνολογιών και ως εκ τούτου αποτελούν ένα χρήσιμο εργαλείο στην έγκαιρη διάγνωση και την παρακολούθηση της εξέλιξης νευροεκφυλιστικών ασθενειών του εγκεφάλου όπως η νόσος Alzheimer. Η τομογραφία εκπομπής ποζιτρονίων PET και η τομογραφία μονοφωτονικής εκπομπής SPECT αποτελούν τις κύριες εφαρμογές της πυρηνικής ιατρικής που χρησιμοποιούν ραδιοϊχνηθέτες για την αξιολόγηση βιολογικών διεργασιών σε έμβιους οργανισμούς και αξιοποιούνται τόσο στη διάγνωση όσο και στην εκτίμηση της πρόγνωσης της νόσου Alzheimer. Μία τομοσπινθηρογραφική τεχνική που βασίζεται στην απεικονιστική SPECT αποτελεί το σπινθηρογράφημα εγκεφάλου (DaTSCAN), το οποίο ανιχνεύει τη δραστηριότητα του μεταφορέα της ντοπαμίνης στον εγκέφαλο και χρησιμοποιείται στη διάκριση των ασθενών με άνοια με σώματα Lewy από τους ασθενείς με νόσο Alzheimer και στη διάκριση των ασθενών με νόσο Parkinson από αυτούς με νόσο Alzheimer. Μία φυσιολογική εικόνα DaTSCAN περιλαμβάνει ομοιόμορφη απορρόφηση του ραδιοϊχνηθέτη από τους δύο εγκεφαλικούς λοβούς οι οποίοι εμφανίζονται με ελλειπτικό σχήμα. Στην περίπτωση ασθενών με νόσο Alzheimer, η εικόνα DaTSCAN παρουσιάζει ήπιες αλλοιώσεις καθώς η απορρόφηση του ραδιοφαρμάκου δεν επηρεάζεται σε μεγάλο βαθμό από τη νόσο, σε αντίθεση με τις άλλες νευροεκφυλιστικές νόσους στις οποίες οι αλλοιώσεις είναι πιο έντονες. Σε κάθε περίπτωση, η διάγνωση της αντίστοιχης νόσου γίνεται από τον εγκεκριμένο νευρολόγο. Αρχικά, σε μία πρώτη προσέγγιση των νευρωνικών δικτύων, παρουσιάζονται απλά νευρωνικά δίκτυα που κατασκευάζουν το απαιτούμενο δείγμα εικόνων διαστάσεων 128x128 και στη συνέχεια τις ταξινομούν ως προς συγκεκριμένα χαρακτηριστικά που αποτελούν το ζητούμενο κάθε προβλήματος. Τα δείγματα εικόνων περιλαμβάνουν απλά γεωμετρικά σχήματα όπως τα τετράγωνα και οι κύκλοι και παρουσιάζουν ορισμένες παραλλαγές ως προς τη θέση, το μέγεθος, την πολλαπλότητα και την αλληλοεπικάλυψη αυτών. Με βάση τα συγκεκριμένα χαρακτηριστικά ζητείται η ταξινόμηση των εικόνων σε κατηγορίες ανάλογα με το ζητούμενο. Με τα παραπάνω απλά νευρωνικά δίκτυα, μελετάται η διαδικασία εκπαίδευσης αυτών και διαπιστώνεται πως θέτοντας τις κατάλληλες συνθήκες στην εκπαίδευση και τις κατάλληλες παραμέτρους στην αρχιτεκτονική του δικτύου, τα νευρωνικά δίκτυα είναι σε θέση να γενικεύουν σε άγνωστα για αυτά δεδομένα και να κατηγοριοποιούν ορθά τις εικόνες, με τα ποσοστά της ακρίβειας να κυμαίνονται από 82.5% έως και 100%. Στο πλαίσιο της προσέγγισης της απεικονιστικής ιατρικής με τη χρήση τεχνητής νοημοσύνης, αναπτύσσεται ένα συνελικτικό νευρωνικό δίκτυο που δέχεται ως δεδομένα εισόδου ομοιώματα τομοσπινθηρογραφικών εικόνων εγκεφάλου και έχει ως έξοδο την ποσοτικοποιημένη απορρόφηση του ραδιοφαρμάκου από τους δύο εγκεφαλικούς λοβούς. Επίσης, αναπτύσσεται άλλο ένα συνελικτικό νευρωνικό δίκτυο με τα ίδια δεδομένα εισόδου και έχει ως δεδομένα εξόδου τις απορροφούμενες εντάσεις κάθε εγκεφαλικού λοβού ξεχωριστά όπως και του υποβάθρου. Για την κατασκευή των ομοιωμάτων αξιοποιείται το πρόγραμμα Simulix3x το οποίο δημιουργεί το απαιτούμενο δείγμα εικόνων διαστάσεων 128 x 128 που περιέχουν το ελλειψοειδές της κεφαλής και τα δύο ελλειψοειδή των λοβών που παράγονται με μία στοχαστική μετατόπιση ως προς τη θέση και την ένταση της απορροφούμενης ακτινοβολίας τόσο από τους λοβούς, όσο και από το υπόβαθρο. Με το συγκεκριμένο λογισμικό παρήχθησαν συνολικά 3000 ομοιώματα, εκ των οποίων το 80% χρησιμοποιήθηκε για την εκπαίδευση του μοντέλου, ενώ το υπόλοιπο 20% αξιοποιήθηκε στον έλεγχο της απόδοσης και της σύγκλισης του νευρωνικού δικτύου. Τα δύο παραπάνω συνελικτικά νευρωνικά δίκτυα παρουσιάζουν τυπικές αποκλίσεις σ1 = 0,014 για την ποσοτικοποίηση της ανομοιογενούς απορρόφησης του ραδιοϊχνηθέτη και σ2= 0,078 για την πρόβλεψη της απορροφούμενης έντασης κάθε εγκεφαλικού λοβού. Όσον αφορά την πρόβλεψη για την απορρόφηση του υποβάθρου, η τυπική απόκλιση είναι ίση με σ3 = 0,025. Οι παραπάνω τυπικές αποκλίσεις όπως και η σύγκλιση των συνελικτικών νευρωνικών δικτύων υποδεικνύουν πως αυτά τα τεχνητά νευρωνικά δίκτυα μπορούν να εφαρμοστούν και σε πραγματικά ιατρικά δεδομένα. Τέλος, γίνεται η αξιολόγηση των νευρωνικών δικτύων σε δύο πραγματικές ιατρικές εικόνες DaTSCAN και υπολογίζεται η ποσοστιαία απόκλιση των προβλεπόμενων τιμών σε σύγκριση με τις τιμές που προκύπτουν από τις τομοσπινθηρογραφικές εικόνες, η οποία είναι της τάξης του 4.6% για τις απορροφούμενες εντάσεις των δύο εγκεφαλικών λοβών. Καταληκτικά, θεωρώντας πως η συγκεκριμένη απόκλιση βρίσκεται εντός τα πλαίσια του αποδεκτού για ιατρικές εφαρμογές, υπάρχει η δυνατότητα χρήσης του συνελικτικού νευρωνικού δικτύου επικουρικά στη διάγνωση και στη λήψη αποφάσεων από τον ειδικό θεράποντα ιατρό. This Bachelor’s thesis aims to approach medical imaging through the use of artificial neural networks. Medical physics and especially medical imaging plays a crucial role in modern medicine, reinforcing diagnostic and therapeutic process through advanced technologies and are therefore, a useful tool in the early diagnosis and monitoring of the progress of neurodegenerative brain diseases such as Alzheimer's disease. Positron emission tomography (PET) and single photon emission tomography (SPECT) are the main applications of nuclear medicine that use radiotracers to evaluate biological processes in living organisms and are both used in the diagnosis and assessment of the prognosis of Alzheimer’s disease. One tomoscintigraphic technique based on SPECT imaging is brain scintigraphy (DaTSCAN), which detects dopamine transporter activity in the brain and is used to distinguish patients with dementia with Lewy bodies from patients with Alzheimer's disease and to distinguish patients with Parkinson’s disease from those with Alzheimer’s disease. A normal DaTSCAN image includes equal absorption of the radiotracer by the two brain lobes which are displayed in an elliptical shape. In the case of patients with Alzheimer’s disease, the DaTSCAN image shows mild alterations as the uptake of the radiopharmaceutical is not greatly affected by the disease, in contrast to other neurodegenerative diseases in which the alterations are more intense. In any case, the diagnosis of the respective disease is made by the registered neurologist. As an initial approach to neural networks, simple neural networks are being presented that generate the required sample of images with dimensions of 128 x128 and then classify them according to specific features that are the the task of each problem. The samples of images include simple geometric shapes such as squares and circles and display some variations in their position, size, multiplicity and overlap. Based on these characteristics, the image classification into categories is requested according to the predefined task. Through the mentioned simple neural networks, the process of training is being studied and it is found that by setting the appropriate conditions in training and the appropriate parameters in the network architecture, neural networks are able to generalize to unknown data and correctly categorize the images, with accuracy rates ranging from 82.5% up to 100%. In the scope of approaching medical imaging through the use of artificial intelligence, a convolutional neural network is being developed that accepts as input data phantoms of tomoscintigraphic brain images and has as output the quantified absorption of the radiopharmaceutical by the two brain lobes. Another convolutional neural network is also being developed with the same input data and has as output the absorbed intensities od each brain lobe seperately as well as the absorbed intensity of the background. For the construction of the phantoms, the Simulix3x program is used to generate the required sample images with dimensions of 128 x128, containing the head ellipsoid and the two lobe ellipsoids with a stochastic shift in the position and intensity of the absorbed radiation from both the lobes and the background. A total of 3000 phantoms were generated with this software, of which 80% were used for model training, while the remaining 20% were used to monitor the performance and convergence of the neural network. The two convolutional neural networks mentioned above present standard deviations of σ1 = 0,014 for the quantified absorption of the radiopharmaceutical by the two brain lobes and σ2= 0,078 for the prediction of the absorbed intensity of each brain lobe. Regarding to the prediction for the absorbed intensity of the background, the standard deviation is equal to σ3 = 0,025. These standard deviations as well as the convergence of the convolutional neural networks indicate that these artificial neural networks can be applied to real medical data. Finally, the neural networks are evaluated on two real DaTSCAN medical images and the percentage deviation of the predicted values compared to the values obtained from the tomoscintigraphic images is calculated, which is on the order of 4.6% for the absorbed intensities of the two cerebral lobes. In conclusion, considering that this deviation is within the acceptable range for medical applications, it is possible to use the convolutional neural network as an adjunct in diagnosis and in decision making by the treating medical specialist.