Analyzing Alzheimer's disease progression from sequential magnetic resonance imaging scans using deep convolutional neural networks

Alzheimer's disease is a progressive, neurodegenerative disease that at the moment is typically diagnosed from the symptoms of dementia, such as a decline in cognitive abilities, visual and/or speech impairment, loss of memory, rather than the structural changes in the brain that cause it. Neuroimaging modalities, such as Magnetic Resonance Imaging (MRI) scans, have the capacity to capture tissue changes in the brain. But human visual inspection capability, which is used to analyze these images, is subject to limitations such as the experience of the radiologist. Moreover, the changes in the brain start as early as 30 years prior to the manifestation of the disease, so they may go unnoticed. Also, patients progress at very different rates. Hence, future prediction of how likely a person is to be affected by Alzheimer's in the future from their current healthy state is an invaluable piece of clinical information, because it can inform treatment options as well as the design of clinical trials. In this thesis, we address this problem by leveraging deep learning techniques in order to predict the chances of a person being affected by Alzheimer's in the near future (within 6 months) given a T1 structural Magnetic Resonance Imaging (MRI) scan. Starting with the well-known, public ADNI dataset, we designed and trained a three-dimensional Convolutional Neural Network model which is regularized using an autoencoder and achieved 81.93% test accuracy when predicting which patients will exhibit or not symptoms of the disease after 6 months. Since there are various ways in which a disease might evolve from a patient's current physiological state, it is even more useful to model the distribution over possible future states of the disease. For this purpose, we trained a Variational Autoencoder with a Gaussian latent distribution. The trained model is well suited to identify boundary cases; e.g. a randomly selected normal patient, who is predicted normal 75% of the time, is potentially at a higher risk and might require close follow up or specific treatment.La maladie d'Alzheimer est une maladie neurodégénérative progressive qui est généralement diagnostiquée à partir de symptômes de démence, tels que la diminution des fonctions cognitives, troubles visuels et/ou trouble de la parole, ainsi que la perte de mémoire plutôt qu'à partir de changements structurels du cerveau (biomarqueur) qui causent cette maladie. Les neuroimages telles l'imagerie par résonance magnétique (IRM) ont la capacité de capter? ces biomarqueurs. Cependant, l'inspection visuelle humaine est limitée et dépend de facteurs tels que l'expérience du radiologue. De plus, les changements au niveau du cerveau commencent au moins 30 ans avant que la maladie se manifeste. Par conséquent, pouvoir prédire la probabilité qu'un patient soit affecté par la maladie d'Alzheimer basé sur son état actuel constitue une source d'information clinique inestimable. Dans ce projet, nous visons à résoudre ce problème en prédisant les chances qu'une personne sera atteinte d'Alzheimer dans le futur proche (6 mois), compte tenu de son IRM T1 actuel. Nous avons entraîné un réseau neuronal convolutif tridimensionnel régularisé par un auto-encodeur pour apprendre les biomarqueurs pertinents pour la détection de la maladie d'Alzheimer et avons atteint une précision (test) de 81.93%. Étant donné que la maladie peut évoluer de différentes manières à partir de l'état physiologique actuel d'un patient, nous souhaitons modéliser la distribution par rapport à d'éventuels états futurs de la maladie. Pour apprendre cette correspondance entre chaque état de l'IRM actuel et l'étiquette de maladie de l'état suivant, nous avons entraîné un auto-encodeur variationnel en supposant que la distribution latente est gaussienne. Le modèle entraîné a appris la distribution avec succès et est capable de prédire les différents états pathologiques dans lesquels un patient est susceptible de progresser