[論文レビュー] A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis

Li Zhang, Mingliang Wang+2 more|arXiv (Cornell University)|May 10, 2020

Functional Brain Connectivity Studies参考文献 118被引用数 7

ひとこと要約

本調査は、アルツハイマー病、パーキンソン病、自閉症スペクトラム障害、統合失調症を対象とした神経画像法を用いた脳疾患解析におけるディープラーニングの応用をレビューしている。分類、セグメンテーション、マルチモodal融合の分野におけるディープニューラルネットワークの評価を行い、最先端のパフォーマンスを強調するとともに、データ補完、マルチモダリティ統合、マルチサイトデータの異質性といった課題を特定している。

ABSTRACT

Deep learning has been recently used for the analysis of neuroimages, such as structural magnetic resonance imaging (MRI), functional MRI, and positron emission tomography (PET), and has achieved significant performance improvements over traditional machine learning in computer-aided diagnosis of brain disorders. This paper reviews the applications of deep learning methods for neuroimaging-based brain disorder analysis. We first provide a comprehensive overview of deep learning techniques and popular network architectures, by introducing various types of deep neural networks and recent developments. We then review deep learning methods for computer-aided analysis of four typical brain disorders, including Alzheimer's disease, Parkinson's disease, Autism spectrum disorder, and Schizophrenia, where the first two diseases are neurodegenerative disorders and the last two are neurodevelopmental and psychiatric disorders, respectively. More importantly, we discuss the limitations of existing studies and present possible future directions.

研究の動機と目的

• 神経画像法を用いた脳疾患診断に応用されたディープラーニング技術の包括的レビューを提供すること。
• アルツハイマー病、パーキンソン病、自閉症スペクトラム障害、統合失調症という4つの主要な脳疾患において、ディープニューラルネットワークの画像分類およびセグメンテーションにおけるパフォーマンスを分析すること。
• 現在のディープラーニング応用における主な制限要因、すなわちデータ不足、欠損データの補完、マルチモダリティ統合の特定。
• 神経画像法におけるディープラーニングモデルのロバスト性、一般化性能、臨床応用性を向上させるための今後の研究方向性の提案。

提案手法

• 神経画像解析に用いられる自己符号化器、U-Net、畳み込みニューラルネットワークなどの最近のディープラーニングアーキテクチャを調査。
• 構造的および機能的MRI、PET、その他の神経画像モodalitiyにおける分類、検出、セグメンテーション、登録タスクに対するディープラーニング手法の評価。
• MRIとPETなどのマルチモダリティ神経画像データを統合するためのデータレベル、意思決定レベル、中間レベルの統合戦略の分析。
• 限られたまたは不完全な神経画像データから表現を学ぶための教師なしおよび弱教師ありアプローチの調査。
• MRIなどの補完的モダリティを用いて、欠損した神経画像（例：欠損したPETスキャン）をディープジェネレーティブモデルで補完する手法の検討。
• マルチサイト神経画像データにおいて、転送可能な特徴量と適応的分類器を同時に学習するエンドツーエンドのディープラーニングフレームワークの必要性を提言。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、脳疾患の神経画像データ分類において、従来の機械学習手法と比べてどのように異なるか？
• RQ2 神経画像におけるセグメンテーションおよび分類に最も効果的なディープニューラルネットワークアーキテクチャは何か？
• RQ3 欠損した神経画像（例：MRIからPETを補完）をディープラーニングを用いて効果的に補完する方法は何か？
• RQ4 異なる表現レベルでマルチモダリティ神経画像データ（例：MRIとfMRI）を統合する最適な戦略は何か？
• RQ5 マルチサイト神経画像データセットにおけるサイト間差異に対して、ディープラーニングモデルをどのようにしてロバストに保つか？

主な発見

• ディープラーニングモデルは、アルツハイマー病やパーキンソン病などの脳疾患の神経画像データを用いた分類において、最先端のパフォーマンスを達成している。
• U-Netや類似アーキテクチャは、神経画像における脳構造および病変のセグメンテーションにおいて優れたパフォーマンスを示している。
• 階層的表現を同時に学習するエンドツーエンドのディープラーニングフレームワークは、手作業で特徴量を設計する従来の手法を上回る性能を発揮している。
• MRIを用いたPETスキャンの補完をディープジェネレーティブモデルで行うアプローチは有望であるが、画像データと非画像データの間の対応関係については未だ十分に調査されていない。
• モダリティ間で学習された表現を中間レベルで統合する戦略は、データレベルや意思決定レベルの統合よりも、より柔軟かつ強力な代替手段を提供する。
• 異質なマルチサイト神経画像データからのロバストな学習は依然として課題であり、転送可能な特徴量と適応的分類器を同時に学習するモデルの開発が求められている。