Rapport (Rapport De Recherche) Année : 2024

Exploratory ABIDE Dataset Analysis for Autism Detection

Résumé

Mental disorders are a major public health concern, affecting millions of people worldwide. The quest for reliable biomarkers for diagnosis and treatment remains a complex challenge. Autism Spectrum Disorder (ASD), a common psychiatric condition, is characterized by atypical patterns in cognitive, emotional, and social domains. Early and accurate diagnosis is crucial to enable effective interventions and improve outcomes for affected individuals. In this study, we propose an innovative model based on the use of brain atlases (CC200, HO, and AAL) and feature selection, utilizing resting-state functional MRI data from the ABIDE I dataset. Our approach involves feature selection methods to the vectors obtained from flattened connectivity matrices derived from the atlases. These vectors are then used as input for a classifier. Through cross-validation, we demonstrate that our model outperforms the most advanced methods available for this dataset, achieving an average accuracy of 99.66% in 10-fold cross-validation with the CC200 atlas, using the RFE method and the logistic regression classifier. We also perform feature selection using Lasso and information gain analysis for comparison.

Les troubles mentaux représentent un problème majeur de santé publique, affectant des millions de personnes à travers le monde. La recherche de biomarqueurs fiables pour le diagnostic et le traitement de ces troubles reste un défi complexe. Le trouble du spectre de l’autisme (TSA), une affection psychiatrique courante, qui se caractérise par des schémas atypiques dans les domaines cognitif, émotionnel et social. Un diagnostic précoce et précis est crucial pour permettre des interventions efficaces et améliorer la vie des personnes touchées. Dans cette étude, nous proposons un modèle qui repose sur l’utilisation d’atlas cérébraux (CC200, HO et AAL) et sur la sélection de caractéristiques extraites des données d’IRM fonctionnelle au repos issues du jeu de données ABIDE I. Notre approche consiste à appliquer des méthodes de sélection de caractéristiques aux vecteurs dérivés des matrices de connectivité aplaties obtenues à partir des atlas. Ces vecteurs sont ensuite utilisés comme entrée pour un classificateur ou un modèle de réseau neuronal profond (DNN)˙ Nous avons montré, grâce à la validation croisée, que notre modèle dépasse les méthodes les plus avancées disponibles pour ce jeu de données. Avec l’atlas CC200, en utilisant la méthode RFE pour sélectionner les caractéristiques, et un classificateur de régression logistique pour les classer, nous avons atteint une précision moyenne de 99,66% en validation croisée à 10 folds . Pour comparer les résultats, nous avons également sélectionné les caractéristiques en utilisant les méthodes Lasso et l’analyse du gain d’information.

Fichier principal
Vignette du fichier
TSA_report (1).pdf (2.93 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-04713925 , version 1 (30-09-2024)

Licence

Identifiants

  • HAL Id : hal-04713925 , version 1

Citer

Imane Chkifa, Aicha Majda, Moncef Garouani. Exploratory ABIDE Dataset Analysis for Autism Detection. Master's thesis in Computer Science [University Moulay Ismail, Institut de recherche en informatique de Toulouse]. 2024. ⟨hal-04713925⟩
993 Consultations
2572 Téléchargements

Partager

  • More