[論文レビュー] A novel machine learning based framework for detection of Autism Spectrum Disorder (ASD)

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

Autism Spectrum Disorder Research参考文献 103被引用数 75

ひとこと要約

本論文は、ABIDE-IデータセットのT1強調MRIスキャンを用いて、自閉症スペクトラム障害（ASD）の自動検出のための機械学習フレームワークを提案する。大脳動脈と頭蓋内脳容量からの特徴量を抽出し、特徴量の重み付けを施して識別能を向上させ、従来の機械学習とVGG16を用いた転移学習の両方を評価した結果、ASD検出の正確度は66％に達した。これは、限られたデータで神経画像診断にハイブリッド手法を適用する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. 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 proposed a machine learning based framework for automatic detection of ASD using features extracted from corpus callosum and intracranial brain volume from ABIDE dataset. Corpus callosum and intracranial brain volume data is obtained from T1-weighted MRI scans. Our proposed framework first calculates weights of features extracted from Corpus callosum and intracranial brain volume data. This step ensures to utilize discriminative capabilities of only those features that will help in robust recognition of ASD. Then, conventional machine learning algorithm (conventional refers to algorithms other than deep learning) is applied on features that are most significant in terms of discriminative capabilities for recognition of ASD. Finally, for benchmarking and to verify potential of deep learning on analyzing neuroimaging data i.e. T1-weighted MRI scans, we have done experiment with state of the art deep learning architecture i.e. VGG16 . We have used transfer learning approach to use already trained VGG16 model for detection of ASD. This is done to help readers understand benefits and bottlenecks of using deep learning approach for analyzing neuroimaging data which is difficult to record in large enough quantity for deep learning.

研究の動機と目的

• 神経画像データを用いたASD検出のための機械学習フレームワークの開発。
• ASD分類における大脳動脈および頭蓋内脳容量特徴量の識別的潜在能力の調査。
• 限られた神経画像データにおいて、従来の機械学習とディープラーニング（VGG16）の比較。
• 神経画像応用における低データ環境下でのディープラーニングの利点と限界の評価。
• 強固な特徴選択を用いた構造的MRI特徴量を活用して、ASDの早期臨床的検出を支援すること。

提案手法

• ABIDE-IデータセットのT1強調MRIスキャンから大脳動脈および頭蓋内脳容量領域の特徴量を抽出する。
• 分類の堅牢性を向上させるために、識別的特徴量を優先するための特徴量重み付けを適用する。
• 選択された特徴量を用いて従来の機械学習アルゴリズムを適用し、ASD患者と対照群の分類を実施する。
• 大脳動脈のクロップドTIFF画像に事前学習済みのVGG16モデルを用いた転移学習を実施する。
• 80％のデータでVGG16の最終全結合層をADAM最適化子とソフトマックス活性化関数を用いて訓練し、20％を検証に使用する。
• NIfTI形式のMRIスキャンをTIFF形式に変換し、代表的でないスライスを除外し、約10万枚の画像を保持した。そのうち大脳動脈領域が完全に含まれていた。

実験結果

リサーチクエスチョン

• RQ1 大脳動脈および頭蓋内脳容量からの特徴量は、構造的MRIにおけるASD検出の正確度を向上させることができるか？
• RQ2 特徴量重み付けは、ASD分類における従来の機械学習モデルの性能をどのように向上させるか？
• RQ3 限られた神経画像データにおいて、VGG16を用いた転移学習のASD検出における性能はいかがなものか？
• RQ4 ASD検出において、従来の機械学習とディープラーニングの正確度とデータ効率の観点での比較は？
• RQ5 ラベル付きデータが限られる神経画像データに対してディープラーニングを適用する際の主なボトル neck とは何か？

主な発見

• 提案されたフレームワークは、ABIDE-IのMRIデータを用いてVGG16を用いた転移学習により66％の検出正確度を達成した。
• 従来の機械学習手法はベースラインモデルを上回ったが、ディープラーニングで見られる10％の向上には及ばなかった。
• 特徴量重み付けは分類器の堅牢性を顕著に向上させるとともに、計算複雑度を低減した。
• 本研究では、大脳動脈および頭蓋内脳容量特徴量がASD分類に識別的情報を有することが確認された。
• 限られたデータでもVGG16を用いた転移学習は有望であるが、データ不足の制約により性能が制限された。
• 著者らは、マルチサイトの神経画像データを用いる際、分類正確度が低下することを観察した。これは、先行研究の報告と一致する。