Classification of Brain MRI Autism Spectrum Disorder Using Transfer Learning

Abstract

This study explored the potential of deep learning techniques to analyze structural magnetic resonance imaging (sMRI) scans for diagnosing (ASD) in children. The process involved converting 3D images into 2D slices, assembling them into uniform-sized images, and training four well-known architectures (VGG16, ResNet, MobileNet, EfficientNet) using five-fold cross-validation. Results showed that EfficientNet outperformed the others in accuracy (~75%) and performance stability, while MobileNet was the fastest and lightest but less accurate. The findings highlight the importance of expanding the dataset size, integrating multiple data sources, and employing explainable AI techniques to better understand model decisions. Additionally, improving preprocessing by selecting the most informative MRI slices could enhance the models’ effectiveness and support their reliable application in medical settings

تم دراسة إمكانيات تقنيات التعلم العميق في تحليل صور الرنين المغناطيسي الهيكلية (sMRI) لتشخيص اضطراب طيف التوحد لدى الأطفال. شملت العملية تحويل الصور ثلاثية الأبعاد إلى شرائح ثنائية الأبعاد وتجميعها في صور موحدة الحجم، ثم تدريب أربعة نماذج معمارية معروفةVGG16)، ResNet، MobileNet، EfficientNet )باستخدام التقاطع الخماسي. أظهرت النتائج تفوق نموذج EfficientNet من حيث الدقة (~75%) واستقرار الأداء، بينما كان MobileNet الأسرع والأخف لكنه أقل دقة. تشير النتائج إلى أهمية توسيع حجم البيانات، دمج مصادر معلومات متعددة، واستخدام تقنيات الذكاء الاصطناعي التفسيري لفهم قرارات النماذج بشكل أفضل. كما يمكن تحسين مرحلة ما قبل المعالجة عبر اختيار شرائح MRI الأكثر تميزًا، مما يعزز فرص تطبيق هذه النماذج في البيئات الطبية بشكل فعّال وموثوق

Résumé Cette étude a exploré le potentiel des techniques d’apprentissage profond pour analyser les scans par imagerie par résonance magnétique structurale (ARMi) pour diagnostiquer (ASD) chez les enfants. Le processus consistait à convertir des images 3D en coupes 2D, à les assembler en images de taille uniforme et à former quatre architectures bien connues (VGG16, ResNet, MobileNet, EfficientNet) à l’aide d’une validation croisée à cinq étapes. Les résultats ont montré qu’EfficientNet surpassait les autres en termes de précision (~75 %) et de stabilité des performances, tandis que MobileNet était le plus rapide et le plus léger mais moins précis. Les résultats soulignent l’importance d’étendre la taille de l’ensemble de données, d’intégrer plusieurs sources de données et d’utiliser des techniques d’IA explicables pour mieux comprendre les décisions du modèle. De plus, améliorer le prétraitement en sélectionnant les coupes d’IRM les plus informatives pourrait améliorer l’efficacité des modèles et soutenir leur application fiable dans les milieux médicaux