Methods for large volume image analysisapplied to early detection of Alzheimer's disease by ...

189 Pages·2016·5.32 MB·English

by  Andreas Kodewitz

Methods for large volume image analysisapplied to early
detection of Alzheimer’s disease by analysis of
FDG-PET scans
Andreas Kodewitz
To cite this version:
Andreas Kodewitz. Methods for large volume image analysisapplied to early detection of Alzheimer’s
diseasebyanalysisofFDG-PETscans. SignalandImageprocessing. Universitéd’EvryVald’Essonne,
2013. English. ￿NNT: ￿. ￿tel-01094194￿
HAL Id: tel-01094194
https://hal.science/tel-01094194
Submitted on 11 Dec 2014
HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est
archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
UNIVERSITÉ D’EVRY - VAL D’ÉSSONNE
Sciences et Ingénierie ED 511
Laboratoire IBISC - TADIB
NNT : EVRY
THÈSE
présentée et soutenue publiquement le 18 mars 2013
pour l’obtention du grade de
Docteur de l’Université d’Évry - Val d’Essonne
Spécialité : Mathematiques Appliquées
par :
Andreas KODEWITZ
Titre : Methods for large volume image analysis
Applied to
Early detection of Alzheimer’s disease by analysis of FDG-PET scans
COMPOSITION DU JURY
Rapporteur : Pierre COMON DR CNRS, GIPSA-Lab, France
Rapporteur : Klaus OBERMAYER Prof. Dr. rer. nat.
Université TU Berlin, Allemagne
Examinateur : Elmar W. LANG Prof. Dr. rer. nat.
Université de Regensburg, Allemagne
Examinateur : Christophe MONTAGNE MCF, Université d’Évry, France
Examinateur : Nicole VINCENT PR, Université Paris 5, France
Directeur de thèse : Sylvie LELANDAIS PR, Université d’Évry, France
Directeur de thèse : Vincent VIGNERON HDR, Université d’Évry, France

Résumé
Dans cette thèse, nous explorons de nouvelles méthodes d’analyse d’images pour la dé-
tection précoce des changements métaboliques cérébraux causés par la maladie d’Alz-
heimer (MA). Nous introduisons deux apports méthodologiques que nous appliquons
à un ensemble de données réelles.
Le premier est basé sur l’apprentissage automatique pour créer une carte des infor-
mations de classification pertinente dans un ensemble d’images. Pour cela nous échan-
tillonnons des blocs de voxels de l’image selon un algorithme de Monte-Carlo. La mise
enœuvred’uneclassificationbaséesurcespatchs3Dapourconséquenceimportantela
réduction significative du volume de patchs à traiter, et l’extraction de caractéristiques
dont l’importance est statistiquement quantifiable. Cette méthode s’applique à diffé-
rentes caractéristiques de l’image et donc est adaptée à des types d’images très variés.
La résolution des cartes produites par cette méthode peut être affinée à volonté et leur
contenu informatif est cohérent avec les résultats antérieurs basés sur les statistiques
sur les voxels obtenus dans la littérature.
Le second apport méthodologique porte sur la conception d’un nouvel algorithme de
décompositiondetenseurd’ordreimportant,adaptéànotreapplication.Cetalgorithme
permet de réduire considérablement la consommation de mémoire et donc évite la
surchargedelamémoire.Ilautoriseladécompositionrapidedetenseurs,ycomprisceux
dedimensionstrèsdéséquilibrées.Nousappliquonscetalgorithmeentantqueméthode
d’extraction de caractéristiques dans une situation où le clinicien doit diagnostiquer
des stades MA précoce ou MCI (Mild Cognitive Impairment) en utilisant la TEP FDG
seule. Les taux de classification obtenus sont souvent au-dessus des niveaux de l’état
de l’art.
Dans le cadre de ces tâches d’analyse d’images, nous présentons notre source de don-
nées,lesscansdepatientsretenusetlespré-traitementsréalisés.Lesprincipauxaspects
que nous voulons prendre en compte sont la nature volumétrique des données, l’infor-
mationaprioridisponiblesurlalocalisationdeschangementsmétaboliquesetcomment
l’identification des zones de changements métaboliques participe à la réduction de la
quantité de données à analyser et d’extraire des caractéristiques discriminantes.
Les méthodes présentées fournissent des informations précises sur la localisation de
ces changements métaboliques. Les taux de classification allant jusqu’à 92,6% pour
MA et 83,8% pour MCI. En outre, nous sommes capables de séparer les patients MCI
stables des MCI patients évoluant vers la MA dans les 2 ans après l’acquisition du
PET-scan avec un taux de classification de 84.7%. Ce sont des étapes importantes vers
une détection fiable et précoce de la MA.
i

Abstract
In this thesis we want to explore novel image analysis methods for the early detection
of metabolic changes in the human brain caused by Alzheimer’s disease (AD). We will
present two methodological contributions and present their application to a real life
data set.
We present a machine learning based method to create a map of local distribution of
classification relevant information in an image set. The presented method can be ap-
plied using different image characteristics which makes it possible to adapt the method
to many kinds of images. The maps generated by this method are very localized and
fully consistent with prior findings based on voxel wise statistics.
Further we preset an algorithm to draw a sample of patches according to a distribu-
tionpresentedbymeansofamap. Implementingapatchbasedclassificationprocedure
using the presented algorithm for data reduction we were able to significantly reduce
the amount of patches that has to be analyzed in order to obtain good classification
results.
We present a novel non-negative tensor factorization (NTF) algorithm for the de-
compositionoflargehigherordertensors. Thisalgorithmconsiderablyreducesmemory
consumption and avoids memory overhead. This allows the fast decomposition even
of tensors with very unbalanced dimensions. We apply this algorithm as feature ex-
traction method in a computer-aided diagnosis (CAD) scheme, designed to recognize
early-stage AD and mild cognitive impairment (MCI) using fluorodeoxyglucose (FDG)
positron emission tomography (PET) scans only. We achieve state of the art classifi-
cation rates.
Inthecontextoftheseimageanalysistaskswepresentourdatasource,scanselection
and preprocessing. The key aspects we want to consider are the volumetric nature
of the data, prior information available about the localization of metabolic changes,
discovering the localization of metabolic changes from the data, using this information
to reduce the amount of data to be analyzed and discovering discriminant features
from the data.
The presented methods provide precise information about the localization of met-
abolic changes and classification rates of up to 92.6% for early AD and 83.8% for
MCI. Furthermore, we are capable to separate stable MCI patients from MCI patients
declining to AD within 2 years after acquisition of the PET scan with a classification
rate of 84.7%. These are important steps toward a reliable early detection of AD.
iii

Acknowledgments
At this occasion I want to thank all people which assisted and supported me during
the last three years which only made this thesis possible. A special thanks goes to
• Sylvie Lelandais and Vincent Vigneron, my supervisors, for giving me the oppor-
tunity to do my PhD in france, all the interesting discussions and providing the
guidance I needed to accomplish this research. I specially want to thank Vincent for
providing every imaginable help when I was trapped in bureaucracy after arriving
in France and throughout the whole last 3 years.
• Prof. Dr. Elmar Lang for preparing me for the challenge of writing a PhD thesis and
being member of the PhD jury.
• Pierre Comon and Prof. Dr. Klaus Obermayer for accepting to examine my thesis
and devoting time to write their reports.
• Tahir Syed and Christophe Montagne for welcoming me in Evry and for helping to
find flaws in publications and presentations.
• Florent Pericot for keeping my calculations running and accessible wherever and
whenever I wanted.
Last but not least I want to thank my family and my friends for their constant sup-
port. More than anybody else I have to thank Katia for here support and love.
Andreas Kodewitz
v

Acronyms
3D-SSP 3D stereotactic surface projection.
Aβ amyloid β.
AC-PC AnteriorCommissure-PosteriorCommissure(AC-PC)line. Glossary: AC-PC.
AD Alzheimer’s disease.
ADNI Alzheimer’s Disease Neuroimaging Initiative.
ADRDA Alzheimer’s Disease and Related Disorders Association.
AIC Akaike information criterion.
AIR automated image registration.
ALS alternating least squares.
ANCOVA analysis of co-variance.
ANLS alternating non-negative least squares.
ANOVA analysis of variance.
BPP block principal pivoting.
BSS blind source separation.
CAD computer-aided diagnosis.
CANDECOMP canonical decomposition.
CART classification and regression tree.
CBCL center for biological and computational learning.
CDR Clinical Dementia Rating (CDR). Glossary: CDR.
cgP preconditioned nonlinear conjugate gradient.
CP canonical polyadic. see also: CANDECOMP/PARAFAC.
vii