[論文レビュー] 3D CNN-based classification using sMRI and MD-DTI images for Alzheimer disease studies

Alexander Khvostikov, Karim Aderghal+3 more|arXiv (Cornell University)|Jan 18, 2018

Dementia and Cognitive Impairment Research被引用数 71

ひとこと要約

論文は、海馬ROIのsMRIとMD-DTI (Mean Diffusivity) マップを融合してAD、MCI、NCを分類する3D CNNフレームワークを提案し、ROIサイズ分析とクラスをバランスさせる専用データ拡張戦略を含む。

ABSTRACT

Computer-aided early diagnosis of Alzheimers Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research in recent years. Some recent studies have shown promising results in the AD and MCI determination using structural and functional Magnetic Resonance Imaging (sMRI, fMRI), Positron Emission Tomography (PET) and Diffusion Tensor Imaging (DTI) modalities. Furthermore, fusion of imaging modalities in a supervised machine learning framework has shown promising direction of research. In this paper we first review major trends in automatic classification methods such as feature extraction based methods as well as deep learning approaches in medical image analysis applied to the field of Alzheimer's Disease diagnostics. Then we propose our own algorithm for Alzheimer's Disease diagnostics based on a convolutional neural network and sMRI and DTI modalities fusion on hippocampal ROI using data from the Alzheimers Disease Neuroimaging Initiative (ADNI) database (http://adni.loni.usc.edu). Comparison with a single modality approach shows promising results. We also propose our own method of data augmentation for balancing classes of different size and analyze the impact of the ROI size on the classification results as well.

研究の動機と目的

• 多模的イメージングを用いたアルツハイマー病とその前駆段階（AD/MCI）の自動分類手法を推進・概観する。
• sMRIとMD-DTIデータを海馬のROIから統合するCNNベースのフレームワークを提案する。
• ROIサイズと拡張戦略が分類性能に与える影響を評価する。
• 限られたデータシナリオでROI焦点の3D CNNフュージョンの実現可能性を示すためにADNIデータを活用する。

提案手法

• 海馬ROIボリュームからsMRIとMD-DTIマップを用いて動作する3D CNNアーキテクチャを適用。
• Siamese風の後方結合: 別々のモダリティパイプラインがsoftmaxの前に共有の全結合層へ入力する。
• 過剰なクラスバランスを避けるためのデータ拡張: ランダムシフトとガウシアンブラーを用いて不足クラスの追加サンプルを生成。
• 調査したROIサイズには海馬ROIを囲む28-,38-,42-,48-ボクセルのキューブを含む。
• 訓練を安定化・加速するためのバッチ正規化とNesterovモーメントを使用。
• データ利用を最大化するための繰り返し訓練/検証分割を用いたクロスバリデーションに触発された訓練戦略。

実験結果

リサーチクエスチョン

• RQ1 3D CNNを用いてsMRIとMD-DTI海馬ROIデータを融合することは、単一モダリティよりAD/NC/MCIの分類を改善するか？
• RQ2 ROIサイズはROIベースの3D CNNアーキテクチャの分類精度にどのように影響するか？
• RQ3 標的データ拡張とクラスバランス調整は、少量〜中程度のADNI由来データセットのモデル性能にどのような影響を与えるか？

主な発見

• 海馬ROIs内でsMRIとMD-DTIを組み合わせると、単一モダリティ手法と比べて競合的な分類結果が得られる。
• ベース海馬領域を超える大きなROIは性能に影響を及ぼす可能性があり、異なるアーキテクチャが異なる利得を生む。
• バランスの取れた拡張戦略はクラス不均衡を緩和し、ネットワーク訓練の一般化を改善する。
• 提案された3D CNNアーキテクチャは、バッチ正規化と慎重に選択された最適化設定を通じて安定した訓練挙動を示す。
• このアプローチはADNIデータのサブセットで ROIベースの多モーダル3D CNN分類の実現可能性を示す。