Approche multivariée pour la détection précoce de la maladie d'Alzheimer basée sur l'apprentissage en profondeur et l'optimisation par essaims particulaires

par Asma Baghdadi

Projet de thèse en Signal, Image, Automatique

Sous la direction de Patrick Siarry.

Thèses en préparation à Paris Est en cotutelle avec l'Université de Sfax , dans le cadre de École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2015-....) , en partenariat avec Laboratoire Images, Signaux et Systèmes Intelligents (Créteil) (laboratoire) depuis le 04-10-2018 .


  • Résumé

    La maladie d'Alzheimer (MA) est un type de démence qui provoque des troubles de la mémoire, de la pensée et du comportement. Actuellement plus de 40 millions de personnes dans le monde sont atteintes d'une démence de type Alzheimer. La maladie d'Alzheimer est devenue un problème majeur de santé publique et une priorité, en raison de sa prévalence et de son coût sociétal croissant. La MA est diagnostiquée principalement par des tests cliniques, comme le mini-examen de l'état mental, alors que le diagnostic définitif n'est possible que post mortem. Un diagnostic précoce de la MA assure un meilleur accès aux services médicaux et de soutien, et permet aux patients de faire des plans juridiques, financiers et de soins, tout en étant encore en possession de leurs moyens. En retardant le placement dans des institutions spécialisées, le diagnostic précoce permet de réduire le coût de la prise en charge de la MA [1]. Les données émergentes suggèrent que le processus de la maladie commence des années avant la confirmation du diagnostic clinique. De nouvelles méthodes pour améliorer la détection précoce offriraient des possibilités d'intervention précoce, de traitement symptomatique et d'amélioration de la prise en charge du patient [2]. Au cours des dernières années, les chercheurs se sont orientés vers des méthodes de diagnostic assisté par ordinateur [3] pour aider les cliniciens à détecter la MA plus tôt et plus précisément. Les méthodes explorées comprennent l'analyse de l'électroencéphalogramme (EEG), du magnétoencéphalogramme (MEG) et diverses techniques d'imagerie. Des techniques de reconnaissance de formes et d'apprentissage automatique, telles que les machines à vecteurs de support et les réseaux neuronaux artificiels, ont été étudiées dans le processus de classification, pour distinguer les patients atteints de la MA des patients sains. Combinées à l'imagerie TEP et IRM, les informations issues des signaux EEG devraient ainsi apporter une aide diagnostique précieuse dans les formes précoces ou intermédiaires de la maladie, où l'interprétation visuelle seule est délicate. Problématique : Les approches fondées sur le signal cérébral faciliteront le diagnostic précoce de la MA, mais, à mesure que la maladie progresse, une approche multimodale peut augmenter la précision du diagnostic. La plupart des recherches dans le domaine de la détection de la maladie d'Alzheimer ont étudié une seule modalité pour l'analyse et le diagnostic. De plus, les méthodes de classification utilisées sont élémentaires. Un système multimodal pour le diagnostic de la MA, basé sur les signaux cérébraux EEG et les techniques d'imagerie, et utilisant des méthodes de classification avancées, peut constituer un nouveau système de détection précoce. Les progrès récents dans l'apprentissage profond et les réseaux de neurones convolutifs ont contribué à l'amélioration des performances dans un certain nombre de problèmes de vision par ordinateur, tels que la détection d'objets, la reconnaissance de formes, le suivi ou la segmentation sémantique, etc. L'un des défis d'une mise en œuvre réussie de l'apprentissage profond consiste à préciser les valeurs de ses nombreux paramètres [4], en particulier la topologie de son réseau. Le nombre de couches cachées et le nombre de neurones dans chaque couche d'un réseau d'apprentissage de la machine profonde sont les deux paramètres clés qui influencent les performances de l'algorithme. L'optimisation par essaims particulaires (PSO) a la capacité étendue d'optimisation globale, grâce à son concept simple, sa facilité d'implémentation, son évolutivité, sa robustesse et sa convergence rapide. PSO utilise seulement des opérateurs mathématiques simples et est peu coûteux, en termes de mémoire et de vitesse [5]. Objectifs : L'objectif global de ce projet de thèse est le développement d'un système multivarié pour la détection précoce de la maladie d'Alzheimer, à l'aide d'un modèle d'apprentissage profond, dont les paramètres sont optimisés via PSO. Les objectifs spécifiques sont : • le développement d'un module basé sur l'EEG pour la détection de la maladie d'Alzheimer. • le développement d'un module de détection de la maladie d'Alzheimer à partir des images cérébrales. • la conception d'un modèle de fusion. • l'optimisation des paramètres du modèle d'apprentissage en profondeur à l'aide de l'optimisation par essaims particulaires. • la classification des données en AD (souffrant de la maladie d'Alzheimer) et NAD (patient en bonne santé). Références : [1] https://www.alz.org/alzheimers_disease_what_is_alzheimers.asp [2] Gary W. Small, ‘Early diagnosis of Alzheimer's disease: update on combining genetic and brain-imaging measures', Dialogues Clin Neurosci. 2000, 2(3): 241-246. [3] Sarah Hulbert and Hojjat Adeli, ‘EEG/MEG and imaging-based diagnosis of Alzheimer's disease', Rev. Neurosci. 2013, 24(6): 563-576. [4] Klemen Grm, Vitomir Struc, Anais Artiges, Matthieu Caron and Hazim Kemal Ekenel, ‘Strengths and Weaknesses of Deep Learning Models for Face Recognition Against Image Degradations', IET Biometrics, 2018, 7(1): 81-89. [5] Basheer Qolomany, Majdi Maabreh, Ala Al-Fuqaha and Ajay Gupta, Driss Benhaddou, ‘Parameters Optimization of Deep Learning Models using Particle Swarm Optimization', 13th International Wireless Communications and Mobile Computing Conference IWCMC, Valencia, Spain, 26-30 June 2017.

  • Titre traduit

    Multivariate Approach for Alzheimer's Disease Detection using Deep Learning and Particle Swarm Optimization


  • Résumé

    Alzheimer's is the most common form of dementia, a general term for loss of memory and other cognitive abilities serious enough to interfere with daily life activities. Alzheimer's disease accounts for 60 to 80 percent of dementia cases. [1] Alzheimer's disease (AD) is a progressive neurodegenerative disease mainly diagnosed by clinical testing, such as Mini Mental State Examination (MMSE), whereas definite diagnosis is only possible postmortem. An early AD diagnosis can provide opportunity to patients like improved access to medical and support services. Furthermore, it allows them to make legal, financial and care plans while are still capable, and reduce health care costs by delaying placement in a nursing home. [2] Alzheimer's disease diagnosis is often missed or delayed in clinical practice; thus, new methods to improve early detection would provide opportunities for early intervention, symptomatic treatment, and improved patient functions. Emerging data suggest that the disease process begins years before clinical diagnostic confirmation. In recent years, researchers have embarked on computer-aided diagnosis methods to help clinicians diagnose AD earlier and more accurately. By doing so, treatment can begin sooner when there is a higher chance of success in slowing down the progression of this disease. [3] Methods explored include electroencephalogram (EEG), magnetoencephalogram (MEG) analysis and various imaging techniques. Pattern recognition and machine learning (ML) techniques such as support vector machines (SVMs) and artificial neural networks (ANN) have been investigated in the classification process to distinguish among patients suffering from AD and healthy patients. A review shows that computer-aided early diagnosis of the AD would be a major breakthrough with a very significant worldwide impact. It is a very active area in the frontier of brain research, with many bright minds and multidisciplinary researchers exploring a variety of approaches using various types of brain signals and imaging technologies. The brain signal-based approaches will make it easier to point towards early onset diagnosis of the AD, but as the disease progresses, a multimodal approach can increase the accuracy of the diagnosis. Problematic: Most researches in the field of Alzheimer's disease detection investigate a single modality for the analysis and the diagnosis. Furthermore, the classification methods used are simple and not evolved. A multimodal system for AD diagnosis based on EEG brain signals and imaging techniques, such as PET and IRM, using advanced classification methods can be a novel system for early detection. It can also serve as a useful diagnosis tool for clinicians and specialists. Recent advances in deep learning and Convolutional Neural Networks (CNNs) have contributed to performance improvements in a number of computer vision problems, such as saliency detection and modeling, object detection, recognition, tracking or semantic segmentation. One of the challenges in a successful implementation of deep machine learning is setting the values for its many parameters [5], in particular the topology of its network. The number of hidden layers and the number of neurons in each layer of a deep machine learning network are the two key parameters that influence the algorithm performance. PSO is found to have the extensive capability of global optimization for its simple concept, easy implementation, scalability, robustness, and fast convergence. It employs only simple mathematical operators and is computationally inexpensive in terms of both memory requirements and speed. [5] Objectives: The wider objective of this thesis project is the development of a multivariate system for the early detection of Alzheimer's disease using a Particle Swarm Optimization (PSO) tuned deep learning model for the classification. Specific objectives are: • Development of EEG based module for Alzheimer's disease detection • Development of Imaging techniques based module for Alzheimer's disease detection • Conception of a fusion model • Parameters optimization of deep learning models using Particle Swarm Optimization • Classification of Data into AD (suffering from Alzheimer's Disease) and NAD (Healthy Patient) References : [1] https://www.alz.org/alzheimers_disease_what_is_alzheimers.asp [2] Gary W. Small, ‘Early diagnosis of Alzheimer's disease: update on combining genetic and brain-imaging measures', Dialogues Clin Neurosci. 2000, 2(3): 241-246. [3] Sarah Hulbert and Hojjat Adeli, ‘EEG/MEG and imaging-based diagnosis of Alzheimer's disease', Rev. Neurosci. 2013, 24(6): 563-576. [4] Klemen Grm, Vitomir Struc, Anais Artiges, Matthieu Caron and Hazim Kemal Ekenel, ‘Strengths and Weaknesses of Deep Learning Models for Face Recognition Against Image Degradations', IET Biometrics, 2018, 7(1): 81-89. [5] Basheer Qolomany, Majdi Maabreh, Ala Al-Fuqaha and Ajay Gupta, Driss Benhaddou, ‘Parameters Optimization of Deep Learning Models using Particle Swarm Optimization', 13th International Wireless Communications and Mobile Computing Conference IWCMC, Valencia, Spain, 26-30 June 2017.