Анализ на аномалии и визуализация данных. МРТ головного мозга

Введение
Объемы данных, получаемых медиками для постановки диагноза и лечения пациенту, а также сложность задач, возникающих в нейрофизиологии, неуклонно растет

Введение
Нейрофизиология, как и любые медицинские исследования, представляют собой обширную сферу для применения методов машинного обучения.

Актуальность
Физиологические и функциональные изменения в головном мозге происходят намного раньше, прежде чем проявится очевидная для конкретного заболевания симптоматика. В связи с этим, анализ цифровых данных, полученных при магнитно-резонансной томографии, представляет большой интерес.

Исходные данные
Для исследования Санкт-Петербургским научно-исследовательским психоневрологическим институтом имени В. М Бехтерева были предоставлены данные о 139 пациентах. Данные получены с помощью обработки МРТ программным пакетом FreeSurfer , который для каждой структуры мозга вычисляет необходимые для исследования параметры.

Исходные данные
Все данные изначально размечены на четыре группы по заболеваниям:
Пациенты, страдающие болезнью Альцгеймера
Страдающие сосудистой деменцией
Страдающие депрессией
Контрольная группа.

Необходимые параметры
Для данных заболеваний врачи принимают во внимание следующие параметры каждой структуры мозга:
Количество белого вещества
Количество серого вещества
Средняя толщина
Площадь поверхности.
Значения каждого из этих параметров берутся для левой и правой структуры головного мозга соответственно. Каждая структура относится к определенной доле мозга: лобная, теменная, затылочная, височная, инсула, гиппокамп.

Выбор методов для визуализации
Целью исследования является нахождение метода понижения размерности, который наиболее точно сохранит и отобразит связь между классами пациентов с перечисленными заболеваниями.
Среди множества методов снижения размерности были выделены следующие:
Метод анализа главных компонент
Метод анализа независимых компонент
Стохастическое вложение соседей с t-распределением
Многомерное шкалирование
Линейный дискриминантный анализ
Неотрицательное матричное разложение

Визуализация
Серые точки - страдающие болезнью Альцгеймера
Желтые точки - страдающие сосудистой деменцией
Синие точки - страдающие депрессией
Красные - контрольная группа

Височная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Теменная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Лобная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Insula
PCA
ICA
t-SNE
MDS
NMF
LDA

Затылочная доля
PCA
ICA
t-SNE
MDS
NMF
LDA

Лимбическая система
PCA
ICA
t-SNE
MDS
NMF
LDA

LDA 2 components
Лобная доля
Инсула
Лимбическая система
Затылочная доля
Теменная доля
Височная доля

Анализ на аномалии данных гиппокампа
Визуализация с помощью PCA
Найденные аномалии с помощью DBSCAN
Общее распределение больных
Распределение в аномальных точках

Анализ на аномалии данных парагиппокампальной извилины
Визуализация с помощью PCA
Найденные аномалии с помощью DBSCAN
Общее распределение больных
Распределение в аномальных точках

Анализ полученных результатов
Метод понижения размерности LDA сохраняет больше информации о классах больных.
Попытки визуализации данных о каждой доле мозга с помощью методов понижения размерности не столь эффективны, сколько анализ каждой структуры мозга отдельно.
С помощью плотностного алгоритма кластеризации можно качественно детектировать аномалии в нейрофизиологических данных.
В составе аномальных точек в основном больные из указанных категорий и лишь редко из контрольной группы, что говорит о целесообразности использования этого метода анализа данных.