Des chercheurs lituaniens de l’Université de technologie de Kaunas (KTU) ont amélioré un algorithme qui détecte la maladie d’Alzheimer à partir d’images d’imagerie par résonance magnétique (IRM). Le nouveau modèle a atteint une précision de plus de 98% sur un ensemble de données de test pour détecter la maladie neurodégénérative en améliorant un modèle de réseau neuronal.
La maladie d’Alzheimer (MA) est la septième aux États-Unis et l’une des principales causes de décès dans le monde. Les patients atteints de MA subissent souvent des pertes de mémoire et un déclin cognitif en raison de l’altération et de la mort des cellules nerveuses du cerveau. Habituellement, pour diagnostiquer cette maladie, une évaluation psychiatrique doit être effectuée, la mémoire et les capacités de résolution de problèmes doivent être testées, ou divers scanners cérébraux, y compris l’IRM, doivent être effectués. Détecter un stade précoce de la MA est une tâche particulièrement difficile.
Pour faciliter le processus de diagnostic de la MA, les chercheurs du KTU ont développé une méthode d’apprentissage en profondeur pour détecter les premiers signes de la MA à partir d’images IRM. Le modèle a suivi l’idée originale de leur étude précédente mais a utilisé un algorithme modifié et un réseau plus large pour obtenir des résultats plus adaptables.
Une nouvelle approche a permis d’obtenir une plus grande précision sur un ensemble de données plus large
Les dernières études ont montré que les réseaux de neurones convolutifs (CNN) pré-entraînés peuvent diagnostiquer avec précision les maladies cognitives à partir d’images de résonance magnétique cérébrale. Rytis Maskeliūnas, chercheur au département d’ingénierie multimédia de KTU, dit que l’étude précédente était basée sur la modification du réseau ResNet18, donc cette fois nous avons étudié une variante modifiée du réseau DensNet201, qui a une meilleure optimisation des paramètres.
« L’étude précédente avait moins de flexibilité : lorsque nous formons CNN avec des ensembles de données spécifiques, tels que des images IRM, nous ne pouvons pas tenir compte avec précision des variations de données, l’algorithme s’attend à obtenir le même style et le même format d’images tout le temps. En réalité, cependant, le patient peut visiter différents hôpitaux, qui auront un équipement différent pour prendre l’IRM, il peut être ajusté ou configuré différemment, une personne peut s’allonger différemment sur le lit du scanner, de sorte que les photos seront toujours un peu différentes », explique Maskeliūnas.
Une collection composée d’images de scintigraphies cérébrales de 125 sujets de l’ensemble de données de l’Initiative de neuro-imagerie de la maladie d’Alzheimer (ADNI) a été utilisée pour l’étude. Les images ont été analysées en termes de maladie d’Alzheimer, de troubles cognitifs légers et de démence. L’ensemble de données utilisé dans l’enquête est ouvert et constamment mis à jour avec les dernières images de patients atteints de MA, de sorte que les résultats de l’étude sont à jour et pertinents.
« En utilisant l’ensemble de données ADNI en constante augmentation, l’algorithme se prépare à reconnaître les symptômes de la maladie dans diverses images et devient moins sensible à une source de données spécifique. Ce n’est pas une révolution, mais certainement une évolution », explique le chercheur du KTU.
Avancer vers l’application pratique
Outre l’utilisation d’un réseau supplémentaire et d’un ensemble de données ADNI, l’étude diffère des recherches précédentes en utilisant un mécanisme de pondération différent et en utilisant une carte d’activation de classe de gradient modifiée. C’est un pas en avant vers une application pratique car le modèle sera bientôt capable de marquer les zones du cerveau affectées.
« Nous pourrions bientôt utiliser cette recherche dans les domaines médicaux. Notre objectif est de créer un modèle qui repère les symptômes de la maladie d’Alzheimer dans le cerveau et marque la zone affectée sur l’écran de l’ordinateur, aidant ainsi le professionnel de la santé à examiner l’image. Ainsi, en incluant de nouveaux paramètres et des ensembles de données plus larges, nous améliorons ce modèle », déclare Maskeliūnas.
Le chercheur de KTU note qu’à l’avenir, davantage de variables pourraient être ajoutées à l’étude pour accélérer le processus de diagnostic.
« A l’avenir, nous prévoyons d’utiliser des marqueurs biologiques et d’autres méthodes d’analyse du cerveau pour une efficacité de diagnostic encore plus grande et une meilleure adaptabilité », explique le chercheur.
