[論文レビュー] A novel framework for automatic detection of Autism: A study on Corpus Callosum and Intracranial Brain Volume.

Hamza Sharif, Rizwan Ahmed Khan|arXiv (Cornell University)|Mar 27, 2019

Brain Tumor Detection and Classification被引用数 13

ひとこと要約

本研究では、ABIDEデータセットのs-MRIデータから得られる脳梁および頭蓋内脳容量の特徴を活用した、新しい機械学習フレームワークを提案する。このフレームワークは、特徴の重みを計算することでモデルの性能を向上させ、自閉症スペクトラム症候群（ASD）の自動検出において高い正確性を達成し、画像診断におけるコンピュータビジョンと機械学習の可能性を示している。

ABSTRACT

Computer vision and machine learning are the linchpin of field of automation. The medicine industry has adopted numerous methods to discover the root causes of many diseases in order to automate detection process. But, the biomarkers of Autism Spectrum Disorder (ASD) are still unknown, let alone automating its detection, due to intense connectivity of neurological pattern in brain. Studies from the neuroscience domain highlighted the fact that corpus callosum and intracranial brain volume holds significant information for detection of ASD. Such results and studies are not tested and verified by scientists working in the domain of computer vision / machine learning. Thus, in this study we have applied machine learning algorithms on features extracted from corpus callosum and intracranial brain volume data. Corpus callosum and intracranial brain volume data is obtained from s-MRI (structural Magnetic Resonance Imaging) data-set known as ABIDE (Autism Brain Imaging Data Exchange). Our proposed framework for automatic detection of ASD showed potential of machine learning algorithms for development of neuroimaging data understanding and detection of ASD. Proposed framework enhanced achieved accuracy by calculating weights / importance of features extracted from corpus callosum and intracranial brain volume data.

研究の動機と目的

• 自閉症スペクトラム症候群（ASD）の既知のバイオマーカーの欠如に対処するため、ASD関連の神経画像特徴を調査すること。
• 神経科学の知見とASD検出における機械学習の応用の間のギャップを埋めること。
• 構造的MRIデータを用いてASDを自動で検出する機械学習フレームワークを開発すること。
• 脳梁および頭蓋内脳容量特徴からの重要度に基づいて特徴の重みを計算し、検出の正確性を向上させること。
• ABIDEデータセットからの実際の神経画像データを用いて、特徴工学と学習アルゴリズムの有効性を検証すること。

提案手法

• 本研究では、主にABIDEデータセットの構造的MRI（s-MRI）データをデータソースとして用いる。
• 特徴は、脳梁および頭蓋内脳容量という2つの主要な神経解剖学的領域から抽出される。
• 抽出された特徴に基づいて、ASD被験者と対照群の分類に機械学習アルゴリズムが適用される。
• 特徴の重要度が計算され、重みが割り当てられ、モデルの予測性能が最適化される。
• 特徴抽出にはコンピュータビジョン技術が統合され、分類には機械学習モデルが用いられる。
• 標準的な機械学習指標を用いて評価され、正確性および頑健性が評価される。

実験結果

リサーチクエスチョン

• RQ1 脳梁および頭蓋内脳容量からの特徴は、s-MRIデータにおけるASDの自動検出を改善できるか？
• RQ2 s-MRIスキャンからの神経解剖学的特徴を用いてトレーニングされた機械学習モデルは、ASDを分類する際にどの程度効果的か？
• RQ3 特徴の重み付けは、ASD検出モデルの正確性をどの程度向上させるか？
• RQ4 神経科学で同定されたバイオマーカーは、機械学習フレームワークによってASD診断に効果的に活用できるか？
• RQ5 分類性能の観点から、本研究で提案するフレームワークは、ベースライン手法と比べてどの程度優れているか？

主な発見

• 提案されたフレームワークは、重要度に基づいた特徴の重みを計算・活用することで、検出の正確性を著しく向上させた。
• 脳梁および頭蓋内脳容量特徴の統合により、ASDと神経形態の正常な被験者を区別するモデルの能力が向上した。
• 神経科学的知見に基づく特徴をガイドとして用いることで、機械学習モデルが神経画像データを効果的に解釈できることを示した。
• データ駆動型の特徴最適化を通じて、自動ASD検出の分野における前進が見込まれる。
• コンピュータビジョンと機械学習を神経画像データと組み合わせることの可能性が、臨床応用において裏付けられた。
• 本アプローチは、公開済みのs-MRIデータセットを用いた今後のASD検出システムのテスト可能でスケーラブルな方法を提供する。