gms | German Medical Science

Morbus Alzheimer ist die häufigste Ursache für altersbedingte Demenz. Studien schätzen, dass sich durch die hohe Lebenserwartung in den westlichen Ländern die Prävalenz von Demenz in den nächsten dreißig Jahren verdoppeln wird [1]. Moderne bildgebende Verfahren wie die Diffusions-Tensor-Magnetresonanztomografie (DT-MRI) ermöglichen die Darstellung verschiedener Hirngewebe, z.B. der Fasertrakte weißer Substanz. Zahlreiche Studien haben bereits gezeigt, dass bei Morbus Alzheimer die Integrität dieser Fasertrakte signifikant reduziert ist [2], [3], [4]. In dieser Studie soll untersucht werden, wie zuverlässig eine automatisierte Erkennung von Morbus Alzheimer auf Basis von Fraktionellen Anisotropie (FA)-Werten möglich ist. Dafür wurden ca. 300 Datensätze von zehn verschiedenen MRI-Scannern zusammengetragen. Die eine Hälfte der Daten stammen von Alzheimer-Patienten, die andere von gesunden Kontrollpersonen. Eine besondere Herausforderung hierbei stellt die Heterogenität der Daten dar: sie unterscheiden sich unter anderem in Auflösung, Scanbereich und Bildrauschen. Zur automatisierten Erkennung mittels maschinellen Lernverfahren (Klassifikation) müssen die Daten vereinheitlicht werden. Dies geschieht in einer Reihe von Vorverarbeitungsschritten. Alle Scans werden mit Hilfe einer Vorlage räumlich einheitlich ausgerichtet bzw. normalisiert. Dann werden die graue Substanz sowie die Cerebrospinale Flüssigkeit maskiert. Außerdem werden die Bilddaten ebenfalls auf eine einheitliche Voxelgröße gebracht und mit einem Gauß-Kernel geglättet. Die Klassifikation erfolgt aufbauend auf dem Ansatz von Plant et al. [5]. Dazu werden für jedes Voxel die Klassenentropie bzw. der Information Gain berechnet. Danach wird ein dichtebasiertes Clustering auf diesen Werten ausgeführt. Auf den Clusterinformationen werden verschiedene Lernalgorithmen angewandt, z.B. Support Vector Machines, Bayes’scher Klassifikator und Voting Based Intervals. Anschließend werden die Ergebnisse der Algorithmen kreuzvalidiert, um die Klassifikationsgüte der einzelnen Verfahren zu bestimmen. Plant et al. [5] konnten mit diesem Verfahren für eine kleinere, monozentrisch akquirierte Datenbasis (n=50) eine Klassifikationsrate von über 90% erreichen. Mit dieser Studie sollen diese Ergebnisse für eine größere, multizentrisch akquirierte Datenbasis bestätigt werden. Weiterhin soll überprüft werden, ob für den multizentrischen Datensatz eine ähnlich zuverlässige Klassifikation erzielt werden kann.