Utfordringen
Nevrodegenerative sykdommer kan gi subtile endringer i vevsstrukturen. Spørsmålet var om klassiske teksturmål fra MRI, beregnet per hjerneregion, kan skille tre diagnosegrupper i et lite og ubalansert datasett.
Løsningen
T1- og FLAIR-bilder og lesjonskart ble lagt på samme grid, og et kortikalt og subkortikalt hjerneatlas ble tilpasset hvert bilde. Per region og snitt ble det beregnet GLCM-teksturmål, wavelet-features og lokale binære mønstre, og en Random Forest klassifiserte deltakerne.
Hvordan det ble bygget
Prosjektet ble gjennomført i en gruppe; jeg bidro på tvers av databehandling, modellering og evaluering. Datagrunnlaget var MRI fra 125 deltakere (41 friske, 61 med Alzheimers og 23 med Lewy body-demens). Evalueringen brukte pasientgruppert 3-fold kryssvalidering, slik at alle snitt og regioner fra én person holdes i samme fold, med klassevekting for ubalansen. I tillegg ble det sammenlignet hvilke snittretninger som ga best resultat.
Resultat
Den beste konfigurasjonen ga gjennomsnittlig treffsikkerhet på omtrent 0,66 over foldene, men macro-F1 på bare rundt 0,54: modellen gjenkjente Alzheimers godt, mens Lewy body-demens nesten ikke ble funnet.
Kontekst
Et lite, ubalansert klassifiseringseksperiment uten separat testsett; snittretningen ble valgt på de samme foldene, så tallene er optimistiske. Metoden bruker håndlagde teksturfeatures, ikke dyp læring, og er ikke et diagnostisk verktøy.