Autism Detection based on Structural MRI using YOLO

Sintesi Tecnica: Rilevamento dell'Autismo basato su MRI Strutturale utilizzando YOLO

Problema
Il Disturbo dello Spettro Autistico (ASD) è una condizione neuroevolutiva che influenza la comunicazione sociale e il comportamento, con tassi di prevalenza in crescita significativa (ad esempio, 1 bambino su 36 nel 2020). La diagnosi precoce è fondamentale per l'intervento, ma è spesso ritardata a causa della dipendenza da valutazioni comportamentali soggettive e dalla mancanza di marcatori biologici oggettivi. Sebbene la Risonanza Magnetica Strutturale (sMRI) offra un metodo non invasivo per rilevare anomalie neuroanatomiche associate all'ASD, gli approdi esistenti di deep learning affrontano diverse limitazioni. Molti studi utilizzano intervalli di età ampi senza tenere conto delle differenze nello sviluppo cerebrale legate all'età, portando a una scarsa generalizzazione e all'overfitting. Inoltre, i modelli di classificazione tradizionali (ad esempio, ResNet50, VGG16) trattano spesso le scansioni MRI come classi di immagini globali, potenzialmente trascurando biomarcatori strutturali sottili e localizzati. È necessario un sistema di screening efficiente e intelligente che sfrutti architetture avanzate di rilevamento di oggetti per identificare queste sottili deviazioni neuroanatomiche con alta precisione.

Metodologia
Lo studio propone un framework diagnostico utilizzando modelli di rilevamento di oggetti You Only Look Once (YOLO) (versioni dalla 8 alla 11) applicati ai dati sMRI dal dataset ABIDE II. La metodologia prevede le seguenti fasi chiave:

1. Dataset e Preprocessamento:

   • Fonte dei Dati: Il dataset ABIDE II, che contiene scansioni sMRI pesate in T1 di 522 individui con ASD e 592 individui con sviluppo tipico (TD).
   • Stratificazione per Età: Per affrontare la variabilità dello sviluppo, il dataset è stato suddiviso in due gruppi di età specifici: 5,8–6,8 anni e 7–12 anni.
   • Estrazione delle Fette: I volumi sMRI 3D grezzi sono stati convertiti in sequenze di immagini 2D. Da ciascuno dei tre piani anatomici (assiale, sagittale e coronale), sono state estratte le 50 fette centrali contenenti le informazioni cerebrali più vitali.
   • Annotazione: Utilizzando la piattaforma Roboflow, ogni fetta 2D è stata ridimensionata a 224 × 224 pixel. A differenza della segmentazione tradizionale, un singolo riquadro di delimitazione (bounding box) è stato disegnato attorno all'intera area del tessuto cerebrale per ogni fetta. L'etichetta di classificazione (ASD o TD) è stata assegnata all'intera fetta in base alla diagnosi del paziente, trattando la regione cerebrale come un singolo "oggetto" da rilevare.

2. Architettura del Modello:

   • Lo studio ha adattato i modelli YOLO (v8, v9, v10, v11), originariamente progettati per il rilevamento di oggetti, per la classificazione dell'ASD. Questo approccio sfrutta la consapevolezza della posizione spaziale e le reti di caratteristiche gerarchiche (FPN) per rilevare i biomarcatori strutturali come pattern locali piuttosto che come pattern di intensità globale.
   • Caratteristiche Architetturali Chiave:
     • YOLOv8: Utilizza backbone CSPNet e colli FPN+PAN con rilevamento senza ancoraggio (anchorless).
     • YOLOv9: Impiega la rete Generalized Efficient Layer Aggregation Network (GELAN) e la Programmable Gradient Information (PGI) per un migliore fusione delle caratteristiche multi-scala.
     • YOLOv10: Utilizza CSPNet con convoluzioni depth-separable per ridurre il costo computazionale.
     • YOLOv11: Incorpora meccanismi C2PSA (Cross-Stage Partial with Parallel Spatial Attention) per concentrarsi su regioni di interesse specifiche e SPPF per l'aggregazione delle caratteristiche spaziali.
   • Configurazione dell'Addestramento: I modelli sono stati addestrati su Google Colab (NVIDIA T4) utilizzando PyTorch. I parametri includevano una dimensione del batch di 16, 100 epoche e tassi di apprendimento specifici (0,001 per Adam). Sono stati utilizzati l'aumento dei dati (data augmentation) e l'early stopping (pazienza = 20) per prevenire l'overfitting.

3. Metriche di Valutazione:

   • Le prestazioni sono state valutate utilizzando Precision, Recall, Mean Average Precision (mAP50 e mAP50-95) e l'Average Dice Similarity Coefficient (Av DICE) per misurare la sovrapposizione spaziale tra le previsioni e la verità di base (ground truth).
   • I baseline comparativi includevano architetture CNN tradizionali: ResNet50 e VGG16.

Contributi Chiave

• Applicazione del Rilevamento di Oggetti all'ASD: Lo studio dimostra l'efficacia dell'adattamento dei modelli di rilevamento di oggetti YOLO per la classificazione delle neuroimmagini, inquadrando il rilevamento dei biomarcatori dell'ASD come un compito di rilevamento di oggetti piuttosto che come un problema standard di classificazione di immagini.
• Analisi Stratificata per Età: Esplicitamente separando il dataset in due distinti gruppi di età più giovani (5,8–6,8 e 7–12 anni), lo studio affronta il limite degli studi con intervalli di età ampi, mirando a migliorare la generalizzazione diagnostica attraverso le fasi di sviluppo.
• Estrazione di Fette Multi-Piano: Il framework genera sequenze di immagini 2D dai dati sMRI 3D estraendo 50 fette dai piani assiale, sagittale e coronale, massimizzando le informazioni spaziali disponibili per l'addestramento.
• Prestazioni Comparative: La ricerca fornisce un confronto completo tra le versioni YOLO 8–11 e i modelli di deep learning tradizionali (ResNet50, VGG16) specificamente per il rilevamento dell'ASD su sMRI.

Risultati Sperimentali
Gli esperimenti hanno prodotto i seguenti risultati:

• Superiorità dei Modelli YOLO: In entrambi i gruppi di età, i modelli YOLO hanno superato costantemente ResNet50 e VGG16 in termini di precisione, recall, mAP e punteggi DICE.
• Gruppo di Età 1 (5,8–6,8 anni): YOLOv11 ha raggiunto le prestazioni più elevate con una precisione di 0,9957, una recall di 0,998 e un coefficiente DICE medio di 0,9978. Anche YOLOv9 ha ottenuto prestazioni eccezionali. Al contrario, ResNet50 e VGG16 hanno mostrato una precisione inferiore e segni di overfitting o scarsa generalizzazione.
• Gruppo di Età 2 (7–12 anni): Tutte le versioni di YOLO hanno mantenuto alte prestazioni (precisione e recall generalmente ≥0,95). YOLOv9 e YOLOv8 hanno ottenuto i punteggi DICE più elevati (0,9957), mentre YOLOv11 ha mostrato una leggera diminuzione relativa delle prestazioni rispetto al gruppo più giovane, pur superando comunque le CNN tradizionali.
• Robustezza del Modello: I risultati suggeriscono che le architetture YOLO, in particolare quelle con meccanismi di attenzione avanzati (come C2PSA in v11) e un'efficiente aggregazione delle caratteristiche (come GELAN in v9), sono meglio adatte per identificare le sottili anomalie strutturali localizzate nelle sMRI associate all'ASD.

Significato e Rivendicazioni
L'articolo sostiene che il framework proposto offre una visione promettente per la diagnosi precoce dell'ASD utilizzando la tecnologia YOLO. Lo studio evidenzia che:

• Le architetture di rilevamento di oggetti possono essere applicate con successo alla classificazione delle neuroimmagini, trattando le differenze strutturali come pattern locali.
• L'integrazione di caratteristiche multi-scala e processi di attenzione spaziale nei modelli YOLO (specificamente v9 e v11) rivela efficacemente le sottili anomalie neuroanatomiche nelle prime fasi dell'ASD.
• Il framework dimostra un'elevata efficienza computazionale e robustezza nella gestione delle immagini MRI.
• Sebbene i risultati siano eccellenti, gli autori pongono questo lavoro come un passo verso la futura applicabilità clinica, suggerendo che tale tecnologia potrebbe supportare il rilevamento precoce e le strategie di intervento personalizzate. Lo studio non rivendica l'immediata implementazione clinica, ma valida la fattibilità tecnica e la prestazione superiore di questo approccio rispetto ai metodi esistenti.