Classification of Alzheimer's Disease and Mild Cognitive Impairment Using Longitudinal FDG-PET Images

La maladie d'Alzheimer (MA) est la principale cause de maladies dégénératives et se caractérise par un début insidieux, une perte de mémoire précoce, des déficits verbaux et visuo-spatiaux (associés à la destruction des lobes temporal et pariétal), un développement progressif et une absence de signes neurologiques tôt dans l'apparition de la maladie. Aucun traitement n'est disponible en ce moment pour guérir la MA. Les traitements actuels peuvent souvent ralentir de façon significative la progression de la maladie. La capacité de diagnostiquer la MA à son stade initial a un impact majeur sur l'intervention clinique et la planification thérapeutique, réduisant ainsi les coûts associés aux soins de longue durée. La distinction entre les différents stades de la démence est essentielle afin de ralentir la progression de la MA. La différenciation entre les patients ayant la MA, une déficience cognitive légère précoce (DCLP), une déficience cognitive légère tardive (DCLT) ou un état cognitif normal (CN) est un domaine de recherche qui a suscité beaucoup d'intérêt durant la dernière décennie. Les images obtenues par tomographie par émission de positrons (TEP) font partie des meilleures méthodes accessibles pour faciliter la distinction entre ces différentes classes. Du point de vue de la neuro-imagerie, les images TEP par fluorodésoxyglucose (FDG) pour le métabolisme cérébral du glucose et pour les plaques amyloïdes (AV45) sont considérées comme des biomarqueurs ayant une puissance diagnostique élevée. Cependant, seules quelques approches ont étudié l'efficacité de considérer uniquement les zones actives localisées par la TEP à des fins de classification. La question de recherche principale de ce travail est de démontrer la capacité des images TEP à classer les résultats de façon précise et de comparer les résultats de deux méthodes d'imagerie TEP (FDG et AV45). Afin de déterminer la meilleure façon de classer les sujets dans les catégories MA, DCLP, DCLT ou CN en utilisant exclusivement les images TEP, nous proposons une procédure qui utilise les caractéristiques apprises à partir d'images TEP identifiées sémantiquement. Les machines à vecteurs de support (MVS) sont déjà utilisées pour faire de nombreuses classifications et font partie des techniques les plus utilisées pour la classification basée sur la neuro-imagerie, comme pour la MA. Les MVS linéaires et la fonction de base radiale (FBR)-MVS sont deux noyaux populaires utilisés dans notre classification. L'analyse en composante principale (ACP) est utilisée pour diminuer la taille des données suivie par les MVS linéaires qui sont une autre méthode de classification. Les forêts d'arbres décisionnels (FAD) sont aussi exécutées pour rendre les résultats obtenus par MVS comparables. L'objectif général de ce travail est de concevoir un ensemble d'outils déjà existants pour classer la MA et les différents stades de DCL. Suivant les étapes de normalisation et de prétraitement, une méthode d'enregistrement TEP-IRM ultimodale et déformable est proposée afin de fusionner l'atlas du MNI au scan TEP de chaque patient et de développer une méthode simple de segmentation basée sur l'atlas du cerveau dans le but de générer un volume étiqueté avec 10 régions d'intérêt communes. La procédure a deux approches : la première utilise l'intensité des voxels des régions d'intérêt, et la seconde, l'intensité des voxels du cerveau en entier. La méthode a été testée sur 660 sujets provenant de la base de données de l'(Alzheimer's Disease Neuroimaging Initiative) et a été comparée à une approche qui incluait le cerveau en entier. La précision de la classification entre la MA et les CN a été mesurée à 91,7% et à 91,2% en utilisant la FBR et les FAD, respectivement, sur des données combinant les caractéristiques multirégionales des FDG-TEP des examens transversal et de suivi. Une amélioration considérable a été notée pour la précision de classification entre les DCLP et DCLT avec un taux de 72,5%. La précision de classification entre la MA et les CN en utilisant AV45-TEP avec les données combinées a été mesurée à 90,8% et à 87,9% pour la FBR et les FAD, respectivement. Cette procédure démontre le potentiel des caractéristiques multirégionales de la TEP pour améliorer l'évaluation cognitive. Les résultats observés confirment qu'il est possible de se fier uniquement aux images TEP sans ajout d'autres bio-marqueurs pour obtenir une précision de classification élevée.