[論文レビュー] 3D Inception-based CNN with sMRI and MD-DTI data fusion for Alzheimer's Disease diagnostics

Alexander Khvostikov, Karim Aderghal+3 more|arXiv (Cornell University)|Jul 17, 2018

Dementia and Cognitive Impairment Research被引用数 13

ひとこと要約

本稿では、アルツハイマー病（AD）および軽度認知障害（MCI）の診断を向上させるために、海馬領域の注目領域（ROI）からの構造的MRI（sMRI）と拡散テンソル画像（DTI）データを統合する3次元Inceptionベースの畳み込みニューラルネットワークを提案する。モデルは、AlexNetベースのベースラインと比較して6倍少ないパラメータで高い精度を達成し、ADNIデータセットを用いたマルチモodal脳画像分類において、優れた性能と効率性を示している。

ABSTRACT

In the last decade, computer-aided early diagnostics of Alzheimer's Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research. 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 design of a 3D Inception-based Convolutional Neural Network (CNN) for Alzheimer's Disease diagnostics. The network is designed with an emphasis on the interior resource utilization and uses sMRI and DTI modalities fusion on hippocampal ROI. The comparison with the conventional AlexNet-based network using data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset (http://adni.loni.usc.edu) demonstrates significantly better performance of the proposed 3D Inception-based CNN.

研究の動機と目的

• マルチモーダル神経画像データを用いた、早期のアルツハイマー病（AD）および軽度認知障害（MCI）の検出を目的とした、計算効率の高い3次元CNNアーキテクチャの開発。
• 海馬領域の注目領域（ROI）に焦点を当て、sMRIとDTIモダリティをディープラーニングフレームワーク内で統合することで、分類性能の向上。
• パラメータ数の削減により3次元CNN内のリソース利用を最適化し、精度を損なわずに高速な学習と高いスケーラビリティを実現。
• ADNIデータセットのサブセット（531例）を用いて、提案モデルの性能を、従来のAlexNetベースのアーキテクチャと比較して評価。
• 大規模スクリーニングに適した実世界のコンピュータ支援診断（CAD）システムへの、軽量で高効率な3次元CNNの実用可能性の検証。

提案手法

• 提案手法は、内部リソースの効率的利用を目的とした、3次元InceptionベースのCNNアーキテクチャを採用し、パラメータ数を最小限に抑えつつ高い表現能力を維持する。
• 入力データは、sMRIおよびDTIスキャンから抽出した海馬領域の3次元ボリュームROIであり、特徴レベルでのマルチモーダル統合を可能にする。
• ネットワークは、異なるサイズの並列畳み込みフィルタを備えたInceptionモジュールを採用し、3次元脳ボリューム内のマルチスケール空間的特徴を捉える。
• 特徴統合は、sMRIとDTIモダリティを入力レベルで連結することで実現し、構造的およびマイクロ構造的脳変化の共同学習を可能にする。
• 教師あり学習を用い、交差エントロピー損失と確率的勾配降下法を用いて、二値分類（AD/NC、AD/MCI、MCI/NC）および三値分類（AD/MCI/NC）タスクを最適化。
• 学習は1枚のGPUで実施され、パラメータ数の削減により、より大きなバッチサイズをサポートでき、学習の安定性と収束速度が向上する。

実験結果

リサーチクエスチョン

• RQ1 パラメータ数を削減した3次元InceptionベースのCNNは、従来のAlexNetベースのネットワークよりも、マルチモーダルなsMRIおよびDTIデータからのADおよびMCI分類において優れた性能を示すか？
• RQ2 入力レベルでsMRIとDTIモダリティを統合することは、単一モダリティ入力と比較して診断精度を向上させるか？
• RQ3 パラメータ数と学習時間で測定されるアーキテクチャの効率性は、3次元脳画像解析における分類性能にどの程度影響を与えるか？
• RQ4 提案モデルは、ADNIのような実世界のデータセットを用いた二値および三値分類タスクにおいて、どのように性能を発揮するか？
• RQ5 軽量な3次元CNNは、計算コストを低減しつつ高い精度を達成できるか。その結果、大規模スクリーニングに適した臨床用CADシステムへの導入が可能か？

主な発見

• 提案された3次元InceptionベースのCNNは、ADNIデータセットを用いた二値分類タスク（AD vs. NC）で93.3％の分類精度を達成した。
• AD vs. MCI分類では86.7％の精度に達し、MCI vs. NCでは73.3％の精度を記録した。
• 三値分類（AD/MCI/NC）では68.9％の精度を達成し、3つの診断群を区別する能力を示した。
• 同等の深さを持つAlexNetベースのネットワークと比較して、提案ネットワークのパラメータ数は6倍も少なかった。
• パラメータ数が少ないにもかかわらず、二値タスクでは3～6％、三値タスクではほぼ7％の精度向上が見られた。
• 同じバッチサイズを使用しても、提案アーキテクチャはAlexNetベースのモデルと比較して、約1.7倍の学習時間を短縮した。これは、軽量なパラメータ負荷のおかげである。