Structural MRI - based classification of alzheimer's disease

EMU I-REP

Show simple item record

dc.contributor.advisor Demirel, Hasan
dc.contributor.author Beheshti, Iman
dc.date.accessioned 2020-06-16T08:12:44Z
dc.date.available 2020-06-16T08:12:44Z
dc.date.issued 2016-02
dc.date.submitted 2016
dc.identifier.citation Beheshti, Iman. (2016). Structural MRI - based classification of alzheimer's disease . Thesis (Ph.D.), Eastern Mediterranean University, Institute of Graduate Studies and Research, Dept. of Electrical and Electronic Engineering, Famagusta: North Cyprus. en_US
dc.identifier.uri http://hdl.handle.net/11129/4357
dc.description Doctor of Philosophy in Electrical and Electronic Engineering. Thesis (Ph.D.)--Eastern Mediterranean University, Faculty of Engineering, Dept. of Electrical and Electronic Engineering, 2016. Supervisor: Prof. Dr. Hasan Demirel. en_US
dc.description.abstract ABSTRACT Alzheimer’s disease (AD), an irreversible neurodegenerative dementia, occurs most frequently in older adults which gradually destroys regions of the brain that are responsible for memory, learning, thinking and behavior. By estimation, 5.3 million Americans of all ages suffered from AD in 2015. This number is expected to increase to 16 million people by 2050. AD is the only cause of death in the top 10 of Americans that cannot be cured, prevented or slowed. Presently, there is no cure for AD, but early detection may help to figure out the root of AD mechanisms and improve the quality of life for patients who suffer from AD. In recent years, analysis of neuroimaging data has attracted a lot of interest with the recent improvements for early and accurate detection of AD. Neuroimaging techniques have become an important field of research due to the progress in their acquisition, storage and management in a wide range of applications including AD detection. High accurate image-based early detection of AD could provide valuable support for clinical treatments. High-dimensional classification methods have been a major target in the field of machine learning for the automatic AD detection. One major issue of automatic AD classification is the feature-selection method from high-dimensional feature space. This study proposes novel feature selection methods for high dimensional pattern recognition problem aimed at high accurate detection of AD, which uses the information from three dimensional magnetic resonance imaging (MRI) data extracted from the brain. MRI-based brain data used in the present study are obtained from the Alzheimer's Disease Neuroimaging Initiative (ADNI). This work focuses on structural MRI data and investigates extraction and selection of features, which are the main blocks in an automatic diagnosis detection system. In this regard, Voxel-based-morphometry (VBM) analysis of cross-sectional 3-Tesla 3D T1-weighted MRI data is utilized to perform feature extraction. VBM is an automated technique for assessment of whole brain structure with voxel-by-voxel comparisons which has been developed to analyze tissue concentrations or volumes between subject groups to distinguish degenerative diseases with dementia. The significant local differences in gray matter volumes (gray matter atrophies) based on VBM analysis are selected as 3-D volumes of interests (VOIs). Feature extraction based on the 3D voxel clusters detected by VBM on structural MRI (sMRI) and voxel values of VOIs are considered as raw features. In the feature selection stage, novel methods based on probability distribution function (PDF) and feature ranking are introduced to select most discriminative features from high-dimensional data. In the PDF-based feature selection approach, a novel statistical feature-selection process is employed, utilizing the PDF of the VOI to represent statistical patterns of the respective high dimensional sMRI sample. PDF of the VOIs can be considered a lower-dimensional feature vector representing sMRI images. The dimensionality of the PDF-based feature vector can be adjusted by changing the number of bins of the PDF. In this regard, the Fisher Criterion is used to determine the optimal number of bins of the histogram generating the PDF. In the proposed feature ranking method, all raw features are ranked using seven different statistical measures methods, namely, statistical dependency (SD), mutual information (MI), information gain (IG), Pearson’s correlation coefficient (PCC), t-test score (TS), Fisher’s criterion (FC), and the Gini index (GI). These measures are indicators of class separability, therefore the features with higher scores are assumed to be more discriminative. Hence it is critical to determine the number of top features. In the current study, to determine the number of top features, two methods namely, Fisher criterion and classification error are introduced. The Fisher Criterion between AD and HC groups is calculated for all sizes of feature vectors, where the vector size maximizing Fisher Criterion is selected as the number of top discriminative features. In a similar spirit, the estimated classification error on training set made up of the AD and HC groups is calculated. The vector size that minimizing this error is selected as the size of the top discriminative feature vector. In the classification stage, the support vector machine (SVM) classifiers with linear and non-linear kernels are employed to perform binary classification using 10 fold cross validation between patients who suffer from AD and age-matched healthy controls. Moreover, data fusion techniques are proposed to achieve higher performance in AD detection. In this regard, data fusion is introduced to improve the classification performance, by combining scores or vectors received from clusters obtained from MRI images based on the severity of gray matter atrophy in the brain. In addition, a novel data fusion approach among feature ranking methods is introduced. The results indicate that proposed approaches are reliable techniques that are highly competitive with the state-of-the-art techniques in classification of AD. Keywords: Alzheimer’s disease, Structural MRI, Voxel-based morphometry, Statistical feature extraction, Probability distribution function, Feature ranking, Fisher Criterion, classification error, Data fusion, , Support vector machine. en_US
dc.description.abstract ÖZ : Alzheimer hastalığı (AH), geri dönüşü olmayan bir nörodejeneratif bunaklık hastalığı olup, sıklıkla yaşlı erişkinlerde beynin hafıza, öğrenme, düşünme ve davranış ile ilgili bölgelerini yavaş yavaş yok ederek ortaya çıkmaktadır. Tahminlere göre, her yaştan 5.3 milyon Amerikalı 2015 yılı itibarıyle Alzheimer hastalığından muzdariptir. Bu sayının 2050 yılında 16 milyona yükselmesi beklenmektedir. AH, tedavi edilebilir, önlenebilir ya da yavaşlatılabilir bir hastalık olmayıp Amerikalılar arasında en yüksek ilk 10 ölüm nedenleri arasında yer almaktadır. Halen, ortada AH tedavisi bulunmamakla birlikte erken teşhis AH mekanizmalarını anlamaya ve bu hastalıktan muzdarip insanların yaşam kalitesini artırmak için yardımcı olabilir. Son yıllarda, beyin görüntü verilerinin analizi ile AH’nin erken ve doğru tespiti için ortaya çıkan gelişmeler çok ilgi çekmektedir. Beyin görüntüleme tekniklerindeki gelişmeler sayesinde veri edinim, depolama ve yönetimi konuları önemli bir araştırma alanı oluşturarak AH tespiti de dahil olmak üzere geniş bir uygulama yelpazesi ortaya çıkarmaktadır. AH’nin yüksek doğrulukla görüntü tabanlı erken teşhisi, klinik tedaviler için değerli bir destek sağlayabilmektedir. Yüksek boyutlu sınıflandırma yöntemleri otomatik AH tespiti için makine öğrenme alanında önemli bir hedef olmuştur. Otomatik AH sınıflandırma yaklaşımlarında önemli bir konu da yüksek boyutlu öznitelik uzayından öznitelik-seçme yöntemidir. Bu çalışmada, üç boyutlu MR beyin verilerinden çıkarılan bilgiler kullanılarak AH'nin yüksek doğrulukla tespiti hedefiyle yüksek boyutlu tanıma problemi için yeni özellik seçim yöntemleri önerilmektedir. Bu çalışmada kullanılan Manyetik Resonans Görüntüleme (MRG) tabanlı beyin verileri Alzheimer Hastalığı Beyin Girişimi (ADNI) tarafından oluşturulmuştur.Sunulan bu çalışmada, yapısal MRG verileri incelenerek çıkarılan ve seçilen öznitelikler otomatik teşhis algılama sisteminin temel taşları olarak çalışılmaktadır. Bu bağlamda, kesitsel 3 Tesla 3B T1 ağırlıklı MR verilerinin voksel-bazlı morfometri (VBM) analizi özellik çıkarımını gerçekleştirmek için kullanılmaktadır. VBM ile dejeneratif hastalıklar ile bunaklık hasta gruplarını ayırt etmek için doku konsantrasyonlarını veya birimleri analiz etmek mümkün olmaktadır. VBM tekniği ile konu grupları arasındaki voksel, voksel karşılaştırmalar ile tüm beyin yapısının değerlendirilmesi otomatik olarak mümkün olmaktadır. VBM analizi tabanlı gri madde hacimlerinde önemli yerel farklılıklar (gri madde körelmesi) meydana gelmekte ve bu bölgeler 3B ilgi hacimleri (VOIs) olarak seçilmektedir. Yapısal MRG ve VOI ham voksel değerleri üzerinden VBM tarafından algılanan 3B voksel kümelerine dayalı öznitelik çıkarımı yapılmaktadır. Öznitelik seçimi aşamasında olasılık dağılım fonksiyonu (PDF) ve öznitelik sıralaması tabanlı yeni yöntemler önerilmekte, yüksek boyutlu ham verilerin en ayırt edici özellikleri seçilebilmektedir. PDF tabanlı öznitelik seçimi yaklaşımında, yeni bir istatistiki öznitelik seçim süreci önerilmekte ve bu bağlamda ilgili yapısal MRG örneklerden elde edilen VOI üzerinden çıkarılan PDF seçilen yüksek boyutlu bölgenin istatistiksel örüntüsünü temsil etmek için kullanılmaktadır. VOI'lerden çıkarılan PDFler yapısal MRI görüntülerini temsil eden düşük boyutlu öznitelik vektörleri olarak kabul edilebilmektedir. PDF tabanlı özellik vektörünün boyutu PDF bidonlarının sayısı değiştirilerek ayarlanabilmektedir. Bu bağlamda, Fisher kriteri kullanılarak PDF’i üreten histogram bidonlarının optimal sayısı belirlenebilmektedir. Önerilen öznitelik sıralama yönteminde, tüm ham öznitelikler, yedi farklı istatistiksel ölçüm yöntemleri kullanılarak sıralanabilmektedir. Bu yöntemler sırasıyla: İstatistiksel bağımlılık (SD), karşılıklı bilgi (MI), bilgi kazancı (IG), Pearson korelasyon katsayısı (PCC), t-test puanı (TS), Fisher kriteri (FC) ve Gini indeksi (GI) olarak seçilmiştir. Bu ölçümler sınıflar arası ayrılabilirlik ölçüsünü göstermektedir. Bu nedenle ölçümlerdeki yüksek değerler kullanılan özniteliklerin daha ayrımcı olduğunu göstermektedir.Dolayısıyla en üst özniteliklerin sayısını belirlemek çok önemlidir. Bu çalışmada, en üst özniteliklerin sayısını belirlemek için iki yöntem yani Fisher kriteri ve sınıflandırma hatası önerilmektedir. AH ve sağlıklı kontol (HC) grupları arasında Fisher Kriteri, öznitelik vektörlerinin tüm boyutları için hesaplananmakta ve Fisher kriterini maksimize eden vektör boyutu en üst ayrımcı öznitelik vektör boyutu olarak seçilmektedir. Benzer bir yaklaşımla, AH ve HC gruplarından oluşan eğitim seti üzerinde sınıflandırma hatası hesaplanmaktadır. Bu hatayı minimize eden boyut, en üst ayırt edici öznitelik vektörünün boyutu olarak seçilmektedir. Sınıflandırma aşamasında, doğrusal ve doğrusal olmayan çekirdekli destek vektör makinesi (SVM) sınıflandırıcılarının AH ve yaş uyumlu sağlıklı kontrollerden muzdarip hastalar arasında 10 kat çapraz doğrulama kullanarak ikili sınıflandırma yapmaktadır. Ayrıca, veri füzyonu teknikleri AH tespitinde daha yüksek performans elde etmek için önerilmiştir. Bu bağlamda, veri füzyonu beyinde gri madde körelme şiddetine göre MR görüntülerinden elde edilen kümelere alınan puanlar ya da vektörler birleştirerek, sınıflandırma performansını artırmak için önerilmiştir. Buna ek olarak, özellik sıralamasında yöntemler arasında yeni bir veri füzyon yaklaşımı tanıtılmıştır. Sonuçlar, önerilen tekniklerin AH sınıflandırılmasında literatürdeki alternatif teknikler ile son derece rekabetçi ve güvenilir teknikler olduğunu göstermektedir. Anahtar Kelimeler: Alzheimer hastalığı, yapısal MRG, voksel-temelli morfometri, İstatistiksel özellik çıkarımı, olasılık dağılım fonksiyonu, öznitelik sıralaması, Fisher kriteri, sınıflandırma hatası, veri füzyonu, vektör destek makinesi. en_US
dc.language.iso eng en_US
dc.publisher Eastern Mediterranean University EMU en_US
dc.rights info:eu-repo/semantics/openAccess en_US
dc.subject Electrical and Electronic Engineering en_US
dc.subject Magnetic resonance imaging en_US
dc.subject Medicine-Medical radiology-Nuclear medicine en_US
dc.subject Alzheimer’s disease en_US
dc.subject Structural MRI en_US
dc.subject Voxel-based morphometry en_US
dc.subject Statistical feature extraction en_US
dc.subject Probability distribution function en_US
dc.subject Feature ranking en_US
dc.subject Fisher Criterion en_US
dc.subject classification error en_US
dc.subject Data fusion en_US
dc.subject Support vector machine en_US
dc.title Structural MRI - based classification of alzheimer's disease en_US
dc.type doctoralThesis en_US
dc.contributor.department Eastern Mediterranean University, Faculty of Engineering, Dept. of Electrical and Electronic Engineering en_US


Files in this item

This item appears in the following Collection(s)

Show simple item record