[論文レビュー] 3D Grid-Attention Networks for Interpretable Age and Alzheimer's Disease Prediction from Structural MRI

Pradeep Lam, Alyssa H. Zhu+3 more|arXiv (Cornell University)|Nov 18, 2020

AI in cancer detection被引用数 14

ひとこと要約

本稿では、複数の特徴抽象化レベルに空間的に注意を向けるモジュールを統合することで、構造的MRIからの解釈可能な年齢およびアルツハイマー病（AD）予測を向上させる3Dグリッドアテンションネットワークを提案する。モデルは年齢およびAD分類において高い精度を達成するとともに、salienyマップを生成し、低レベル特徴はタスク間で顕著に重複しているのに対し、高レベル特徴はよりタスク固有であることが明らかになった。これは、神経変性および病態の異なるパターンを解明する手がかりを提供する。

ABSTRACT

We propose an interpretable 3D Grid-Attention deep neural network that can accurately predict a person's age and whether they have Alzheimer's disease (AD) from a structural brain MRI scan. Building on a 3D convolutional neural network, we added two attention modules at different layers of abstraction, so that features learned are spatially related to the global features for the task. The attention layers allow the network to focus on brain regions relevant to the task, while masking out irrelevant or noisy regions. In evaluations based on 4,561 3-Tesla T1-weighted MRI scans from 4 phases of the Alzheimer's Disease Neuroimaging Initiative (ADNI), salience maps for age and AD prediction partially overlapped, but lower-level features overlapped more than higher-level features. The brain age prediction network also distinguished AD and healthy control groups better than another state-of-the-art method. The resulting visual analyses can distinguish interpretable feature patterns that are important for predicting clinical diagnosis. Future work is needed to test performance across scanners and populations.

研究の動機と目的

• 3D構造的MRIスキャンから脳年齢およびアルツハイマー病状態を正確に予測する深層学習モデルの開発。
• アテンション機構による関連脳領域の局所化を通じて、モデルの解釈性を向上させること。
• 年齢予測とAD分類に用いられる特徴の重なりと違いを調査すること。
• 年齢関連パターンに過剰にフィットするため、病気に対して不変となる可能性のある既存モデルの限界を是正すること。
• 臨床バイオマーカー開発のため、異なる抽象化レベルにおける特徴の重要性の可視化分析を可能にすること。

提案手法

• 4つの畳み込みブロックを備えた3D畳み込みニューラルネットワークバックボーンを採用し、各ブロックには3D畳み込み、バッチ正則化、ReLU活性化関数、平均プーリングが含まれる。
• 初期および後期の畳み込みブロックの後に2つの3Dグリッドアテンションモジュールを挿入し、タスク関連のグローバルコンテキストに基づいて空間的特徴を動的に重み付けする。
• アテンション機構は、学習された線形変換、ReLU非線形性、および正規化を用いてアテンションスコアを計算し、空間的に整合された特徴重みを生成する。
• 正規化されたアテンションスコアからsalienyマップを生成し、元のスキャン解像度にアップサンプリングし、バイナリ脳マスクを用いてアーチファクトを除去する。
• アテンションマップをμ+1σ、μ+2σ、およびμ+0.5σでしきい値処理することで、被験者およびタスク間での顕著な領域を比較可能にする。
• Jaccard類似度を用いて、異なる特徴抽象化レベルにおける年齢予測とAD分類のsalienyマップの重なりを定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 脳年齢予測に用いられる空間的特徴は、アルツハイマー病分類に用いられる特徴とどのように異なるか？
• RQ2 低レベルおよび高レベル特徴において、年齢予測とAD予測の両タスクにおける顕著性の重なりはどの程度か？
• RQ3 アテンション機構は、3D MRIを用いた年齢およびAD予測における精度と解釈性の両方を向上させることができるか？
• RQ4 本モデルは、最先端の手法よりも健常対照群とアルツハイマー病患者群をより効果的に区別できるか？
• RQ5 特徴の複雑さが、年齢および疾患予測における脳領域の共有関連性にどのように影響するか？

主な発見

• 年齢予測とAD分類のsalienyマップは、低レベル特徴で顕著な重なりを示した（最初のアテンションモジュールにおけるμ+0.5σでのJaccardスコアは0.52）。一方、高レベル特徴では重なりが著しく少なかった（2番目のモジュールではμ+0.5σでのJaccardスコアは0.10）。
• 脳年齢予測ネットワークは、最先端の手法よりもアルツハイマー病患者と健常対照群をより効果的に区別しており、病態変化への感受性が向上していることが示唆された。
• 年齢予測は広範な脳領域に依存するのに対し、AD分類は主に脳室拡張に集中しており、神経変性の特徴的所見である。
• モデルのアテンション機構は、ヒッパップアムスおよび脳室など生物学的に関連のある領域を的確に強調しており、年齢化およびADの既知の神経解剖学的所見と整合的であった。
• アルツハイマー病患者と健常対照群の間でsalienyマップの重なりにほとんど差がなかったため、診断群を問わず特徴の関連性が一貫していることが示された。
• 可視化分析から、年齢と疾患予測の両方で同じ小さな特徴集合を使用させることで、脳年齢ギャップがしばしばAD病態と混同されやすいことが明らかになった。