Desarrollo de métodos de Machine Learning para el diagnóstico de Parkinson con imágenes de NM-MRI

En este trabajo se desarrollan métodos de Machine Learning aplicados a imágenes de resonancia magnética nuclear sensibles a neuromelanina (NMS-MRI) para el diagnóstico de la enfermedad de Parkinson. Se dispone de una base de datos de una secuencia NMS-MRI de 30 sujetos sanos y 71 pacientes de Parkinson. El objetivo principal del trabajo es la implementación y comparación de tres redes: una red neuronal artificial (ANN), cuyos parámetros de entrada son métricas del contenido de neuromelanina y una red neuronal convolucional (CNN), cuya entrada son las imágenes completas, para una extracción automática de las características por parte de la red. Dentro de esta, se implementan dos arquitecturas diferentes, una convencional, y otra con arquitectura ResNet-50. La evaluación se realiza en base a la precisión, función de pérdida, curva ROC y tiempo de ejecución, en la discriminación entre los sujetos sanos y los pacientes de Parkinson. Se concluye con que la ANN obtiene muy buen porcentaje de acierto porque las variables de entrada son métricas de cuantificación de NM, que se sabe con certeza que sirven para identificar si un paciente padece la enfermedad. Las CNN, aunque trabajan mejor en clasificación de imágenes, requieren una mayor cantidad de datos para ser entrenadas, y con los datos originales no se obtienen buenos resultados. En cambio, en este proyecto también se implementa una técnica de aumentación de datos, con lo que al final la CNN supera a la ANN.

Lan honetan, Parkinson gaixotasunaren diagnostikoa egiteko Machine Learning metodoak garatzen dira, neuromelanina hautemangarria den erresonantzia magnetikoko irudiak (NMS-MRI) erabiliz. Osasun oneko 30 pertsonaren eta Parkinson gaixotasuna duten 71 gaixoren NMS-MRI sekuentzia bat daukagu datubasetzat. Lanaren helburu nagusia hiru neurona-sare inplementatzea eta alderatzea da. Alde batetik, neurona-sare artifizial bat (ANN), non sarrera-parametroak irudietako neuromelanina edukiaren metrikak diren. Beste aldetik, neurona-sare konboluzional bat (CNN), non sarrerak NMS-MRI irudi osoak diren, sareak irudien ezaugarriak automatikoki har ditzan. Honen barruan bi arkitektura ezberdin inplementatzen dira, bata konbentzionala, eta bestea ResNet-50 arkitekturaduna. Ebaluazioa egiten da sare bakoitzaren zehaztasun, galera-funtzio, ROC kurba eta exekuzio denboran oinarrituta, osasun oneko bezeroen eta Parkinsonek jotakoen arteko sailkapena egiterakoan. Ondorioa da ANN sareak asmatze-ehuneko oso ona lortzen duela, sarrerako aldagaiak NM kuantifikazioaren metrikak direlako, eta ziur dakigu paziente batek gaixotasuna duen identifikatzeko balio dutela. CNN sareek, irudien sailkapenean hobe lan egiten duten arren, datu gehiago behar dituzte entrenatzeko, eta jatorrizko datuekin ez da emaitza onik lortzen. Aitzitik, proiektu honetan datuak handitzeko teknika bat ere ezartzen da, eta, beraz, azkenean, CNN sareak ANN sarea gainditzen du.

In this work, Machine Learning methods are developed to neuromelaninsensitive nuclear magnetic resonance images (NMS-MRI) for the diagnosis of Parkinson's disease. A database comprising a NMS-MRI sequence of 30 healthy controls and 71 Parkinson's patients is available. The project’s main objective is the implementation and comparison of three neural networks. Firstly, an Artificial Neural Network (ANN) using neuromelanin content metrics as input parameters. Secondly, a Convolutional Neural Network (CNN) with complete NMS-MRI images as input, allowing automatic feature extraction by the network. Two different CNN architectures are implemented, one conventional and the other with ResNet-50 architecture. Evaluation is based on the accuracy, loss function, ROC curve and run time of each classifier in discriminating between healthy controls and Parkinson's patients. It is concluded that the ANN obtains a very good percentage of success because the input variables are NM quantification metrics, which are known with certainty to identify whether a patient has the disease. CNNs, although they work better in image classification, require a larger amount of data to be trained, and good results are not obtained with the original data. On the other hand, in this project a data augmentation technique is also implemented, so that in the end the CNN outperforms the ANN.