3D convolutional neural networks for Alzheimer's disease diagnosis

Abstract

Alzheimer's disease (AD) is an incurable neurodegenerative disease. Magnetic Resonance Imaging (MRI) is used to assess the damage caused by the disease and to capture complex changes on the brain. In this work, we study how 3D Convolutional Neural Networks exploit the 3D nature of the MRI volume and how they can predict AD diagnosis. The neural network has been trained and evaluated in two different scenarios: a two way classification between AD and cognitive normal (CN), and a three way classification between CN, AD and an initial stage of the disease called Mild Cognitive Impairment (MCI). Results classifying CN vs AD show a great performance using two different image subsets and results for CN vs MCI vs AD show a nice performance considering the lack of data and some data augmentation techniques that affect negatively to the model performance.

La enfermedad de Alzheimer (EA) es una enfermedad neurodegenerativa incurable. Las imágenes por resonancia magnética (IRM) se utilizan para evaluar el daño causado por la enfermedad y capturar cambios complejos en el cerebro. En este trabajo, estudiamos cómo las redes neuronales convolucionales 3D explotan la naturaleza 3D del volumen de MRI y cómo pueden predecir el diagnóstico de EA. La red neuronal ha sido entrenada y evaluada en dos escenarios diferentes: una clasificación de dos vías entre la EA y la cognitiva normal (CN), como una clasificación de tres vías entre la CN, la EA y una etapa inicial de la enfermedad llamada deterioro cognitivo leve (DCL). Los resultados de clasificar CN vs AD muestran un gran rendimiento para ambos sets de imágenes y los resultados referentes a la clasificación de CN vs MCI vs AD muestran un rendimiento bueno considerando el tamaño y escasez de imágenes y que algunas técnicas de aumento de datos han afectado negativamente al rendimiento del modelo.