Analiza zmian w obrazach z rezonansu magnetycznego u pacjentów z depresją

Depresja jest jedną z najbardziej znanych chorób psychicznych, a liczba jej przypadków rośnie z roku na rok. Pomimo tego, jest to nadal trudne zadanie dla psychiatry, aby zdiagnozować ją u danej osoby. Niniejsza praca inżynierska ma na celu zbadanie, czy zmiany w sekwencjach rezonansu magnetycznego mózgu mogą stanowić podstawę do wykrywania depresji. W badaniu wykorzystano bazę danych OpenNeuro zawierającą obrazy fMRI mózgu łącznie 72 osób z depresją oraz zdrowych uczestników. W ramach podejścia wybrano algorytm głębokiego uczenia - Konwolucyjną Sieć Neuronową (CNN). Dane fMRI zostały początkowo sklasyfikowane do odpowiednich folderów w zależności od diagnozy danej osoby - "depresyjna" lub "zdrowa". Następnie przeprowadzono etap wstępnego przetwarzania, obejmujący wczytanie danych, zmianę rozmiaru, przypisanie odpowiednich wartości oraz zakodowanie etykiet. Kolejnym krokiem było podzielenie danych na zestawy treningowe i testowe. Następnie zdefiniowano architekturę modelu, obejmującą dodawanie warstw konwolucyjnych z funkcją aktywacji ReLu, warstw poolingu maksymalnego, warstw gęstych oraz warstw softmax. Po kompilacji i trenowaniu modelu wygenerowano wykresy dokładności i straty, uzyskując dokładność testową na poziomie 0,867 oraz stratę testową na poziomie 0,43. Następnie oceniono metryki precyzji, czułości oraz wyniku F1, które wykazały wysokie wartości odpowiednio: 0,90; 0,90; i 0,90. Macierz pomyłek poprawnie identyfikuje większość osób z depresją oraz zdrowych uczestników. Podsumowując, model CNN dokładnie rozpoznawał większość obrazów, co daje obiecujące rezultaty i otwiera możliwości rozwoju tego modelu CNN.

Słowa kluczowe: Obrazowanie metodą rezonansu magnetycznego (MRI), depresja, Konwolucyjna sieć neuronowa (CNN), mózg, klasyfikacja

Even though depression is one of the most well-known mental illnesses with its increasing cases year by year, it is still a difficult job for a psychiatrist to diagnose a given person. This Bachelor thesis aims to determine whether changes in brain MRI sequences may be used as a basis for the detection of depression. An OpenNeuro database with functional MRI images of 72 people with depression and healthy participants was used in this thesis. As a way to approach it, the deep learning algorithm - Convolutional Neural Network (CNN) was chosen. The fMRI data was first classified into specific folders accordingly to diagnose a given person – “depressed” or “healthy”. Then the preprocessing part, including loading the data, resizing, setting them to their respective values, and encoding labels. Following, splitting it into training and testing sets. Subsequently, defining the model architecture, which contained adding convolutional layers with ReLu activation function, max pooling layers, dense layer, and softmax layer. Next, compiling and training the model to plot accuracy and loss graphs and evaluating them, as test accuracy equal to 0.867 and test loss equal to 0.43. Following that, the evaluation metrics were obtained with precision, recall, and F1 score having high values, equal to respectively: 0.90; 0.90; and 0.90. Subsequently, the confusion matrix correctly identifies the majority of depressed people and healthy participants. In conclusion, the CNN model accurately recognized most of the images, giving promising results and opportunities for expanding this CNN model.

Keywords: Magnetic Resonance Imaging (MRI), depression, Convolutional Neural Network (CNN), brain, classification