Discovering imaging phenotypes of brain diseases

Možganske bolezni so zaradi njihovega visokega socio-ekonomskega vpliva in starajoče se populacije dandanes pod vse večjim drobnogledom. Z napredovanjem tako medicine kot tehnologije se je zmožnost pregledovanja in prepoznavanja struktur možganov znatno izboljšala. Tehnologija MRI (angl. magnetic resonance imaging) v kombinaciji z računalniško obdelavo omogoča podrobno analizo, ki jo lahko v prid uporabimo pri proučevanju možganskih bolezni kot so Alzheimerjeva demenca ali multipla skleroza. Demenca predstavlja »kugo 21. stoletja«, saj prizadene ogromno število ljudi, njene posledice pa so nereverzibilne. Bolezen povzroča pospešeno izgubo možganskih nevronov, zaradi česar je pravočasno odkritje bolezni v čim bolj zgodnji fazi nujno za preventivno ukrepanje in čimprejšni začetek zdravljenja. Grupiranje oziroma rojenje (angl. clustering) je tehnika razvrščanja podatkov v prostoru v manjše podprostore oziroma grupe imenovane roji. Namen rojenja je povezati elemente, ki so si med seboj na nek način podobni. Iz rojev lahko izluščimo tipične lastnosti posameznega roja in razlike glede na ostale roje. Poglavitna prednost rojenja je analiza medsebojne podobnosti vzorcev brez specifičnega vnaprejšnjega predznanja o teh vzorcih. Razlika med razvrščanjem in rojenjem je v ravno v tem predznanju, kjer pri razvrščanju podamo tudi željene oznake vzorcev. Izhod rojenja so grupe, katerih lastnosti algoritem prepozna sam. Umetna inteligenca predstavlja zmožnost učenja računalniških sistemov. V tem primeru se računalnik sam nauči pravil glede na opažanja, pri čemer moramo zagotoviti vhodne in izhodne podatke. Primer umetne inteligence je področje globokega učenja, v katerem se računalniški sistemi sami učijo s pomočjo umetnih nevronskih mrež. Umetne nevronske mreže so kompleksen skupek povezav med stikalnimi enotami in predstavljajo poenostavljeno računalniško različico človeških možganov. Stikalne enote predstavljajo nevrone, povezavami med njimi pa aksone in dendrite. Nevronske mreže se naučijo opravljati zahtevne naloge samostojno, brez vnaprejšnjega določevanja pravil oz. algoritma delovanja. Zelo aktualna aplikacija nevronskih mrež je računalniški vid oziroma analiza slikovnih podatkov. Avtokodirniki predstavljajo tip umetnih nevronskih mrež. Njihova naloga je učenje kompaktnega kodiranja in dekodiranja vhodnih podatkov skozi takoimenovano »ozko grlo«, ki je dimenzijsko omejen prostor značilnic. Iz zakodiranih značilnic ozkega grla avtokodirniki nato rekonstruirajo vhodne podatke. Avtokodirniki so zato uporabni za zmanjševanje dimenzije podatkov ali kot sistem za izbris nekoristne informacije, naprimer šuma v vhodnih podatkih. Variacijski avtokodirnik predstavlja različico osnovnega avtokodirnika, čigar naloga je preslikava vhodnih podatkov v ozko grlo oziroma latentni prostor, v katerem preslikani podatki zavzamejo vnaprej določeno obliko statistične porazdelitve. Na takšen način rešimo težave pretiranega prilagajanja (angl. overfitting) na vhodne podatke. Za ta namen je potrebno ustrezno prilagoditi arhitekturo ozkega grla. V magistrskem delu smo slikovne baze magnetno resonančnih slik bolnikov obdelali in uporabili v različnih kombinacijah metod analize, katerih namen je omogočiti učinkovito prepoznavanje strukturnih vzorcev v možganih. Hipoteza je, da za specifične možganske bolezni in klinične podtipe oz. fenotipe teh bolezni lahko določimo specifične strukturne vzorce v magnetno resonančnih slikah. Take vzorce imenujemo slikovni fenotipi bolezni. Slike možganov smo obdelali, nato pa na njih izvedli rojenje k-tih povprečij, razširjanja sorodnosti in hierarhičnega združevanja. Metode rojenja smo izvedli neposredno na slikah, na dimenzijsko skrčenih in še na kompaktni predstavitvi slik v latentnem prostoru variacijskega avtokodirnika. Uporabili smo več različnih arhitektur variacijskega avtokodirnika. Na koncu smo nastale roje povezali s kliničnimi podatki bolnikov. Ugotovili smo, da se pokaže močna povezava med nastalimi roji in kliničnimi ter demografskimi podatki. Uspešno smo ustvarili roj, ki je prestavljal bolne osebe, glede na lestvico stopnje prizadetosti EDSS (angl. Expanded Disability Status Scale), starost in druge podatke. Pri tem se je najbolje izkazal model variacijskega avtokodirnika, ki je bil sestavljen iz samih konvolucijskih mrež, na latentnih podatkih pa smo izvedli rojenje k-tih povprečij. V tem primeru smo za zdrave osebe glede starosti dosegli zelo natančne in specifične rezultate rojenja. Zaključimo lahko, da je področje umetne inteligence, nevronskih mrež in strojnega učenja prihodnost zdravstvene diagnoze. Vsakršna pomoč in vnaprejšnja analiza bolnikovega stanja je dobrodošla, z uporabo preiskave magnetne resonance pa tudi zdravju neškodljiva in neinvazivna, kar lahko v prihodnje omogočijo tudi rezultati v pričujoči magistrski nalogi.Brain disorders are conditions that have been taken into thorough examination due to high social and economic impact they have. Progressive exploration and fact-finding analysis in regards to brain structure has been made possible with exploitation of new technology and advancements in medicine. MRI (magnetic resonance imaging) in combination with computer processing provides us with detailed breakdown of brain structure, which can be furtherly used to examine disorders such as Alzheimer’s dementia or Multiple sclerosis. Dementia is nowadays often referred to as “21st century plague”, since it impacts numerous people and causes irreparable damage. Rapid nerve cell loss affects patients and can never be undone. That is why its quick diagnosis is crucial, since it enables preventive treatment and brisk actions to postpone or delay disease impact for as long as possible. Clustering presents a category of methods, that are used to distinguish objects and grouping them in a way, where objects of one group differ from objects in another group. Objects in one particular group should have at least one common trait that would make them unique. Group-wise analysis enables further examination without the necessity of prior knowledge. Prior knowledge is what sets apart classification and clustering, where classification requires a set of output labels that define clustered groups. Clustering based groups on the other hand are created autonomously by the algorithm. Artificial intelligence (AI) characterizes the ability of a computer system to learn autonomously, by observing a given dataset and labelled output. No further programming is required. Deep learning is an aspect of AI, where computer system learns through neural network. Neural network is a complex set of connections between artificial neuron units, which illustrates a computer version of a human brain. Artificial neuron models a biological neuron while connections between them model axons and dendrites. Neural network learns to complete challenging tasks on its own, without additional rule setting. Prevailing topic of neural networks is computer vision respectively image data analysis. Autoencoders display a neural network type whose task is to learn compact encoding and decoding of input data through so-called bottleneck representation. Bottleneck represents a dimensionally reduced set of parameters, which is particularly useful for either denoising or dimensionality reduction of input data. Variational autoencoder is a special representative of autoencoder, whose bottleneck values are regularized by statistical distribution. Reasoning behind it is to prevent overfitting to input data. For this manner, the architecture of autoencoder has to be adjusted. Magnetic resonance image datasets used in this master’s thesis were processed and used in combinations with different types of analysis methods, whose purpose is to effectively recognize brain’s structural patterns. Hypothesis states that it is possible to find specific structural changes in brain imaging that correlate with specific diseases and their phenotypes. Brain images were processed then clustered with either k-means algorithm, affinity propagation algorithm or hierarchical clustering. Clustering methods were applied to either images directly, to dimensionally reduced data or to bottleneck representation of variational autoencoders. Finally output clusters were correlated with patient’s clinical data. We concluded there is a strong parallel between output clusters and patients clinical and demographic data. We successfully generated a cluster that represented exclusively ill patients according to EDSS (Expanded Disability Status Scale), age and other health markers. Best results were concluded with combination of variational autoencoder with only convolutional layers and k-means clustering. Results for healthy clusters were accurate and specific. In the end we can wrap up with a guarantee that artificial intelligence, neural networks and deep learning will be the future of medical diagnosis. Any help and upfront alert of patient’s condition is beneficial. Even greater in the case of magnetic resonance imaging due to its non-invasive and harmless nature. Studies conducted in this master’s thesis may someday help with such diagnosis