[論文レビュー] Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network

Ehsan Hosseini-Asl, Georgy Gimel’farb+1 more|arXiv (Cornell University)|Jul 2, 2016

Brain Tumor Detection and Classification被引用数 74

ひとこと要約

本稿では、構造的MRIスキャンを用いたアルツハイマー病（AD）診断のための、深く監視された可変性のある3次元畳み込みニューラルネットワーク（DSA-3D-CNN）を提案する。CADDementiaデータセットを用いて3次元畳み込みオートエンコーダーで事前学習し、一般化された解剖学的バイオマーカーを学習した。その後、ADNIデータで微調整し、深く監視されたアプローチを採用することで、頭蓋骨除去処理を施さずに、最先端の精度と頑健性を達成した。

ABSTRACT

Early diagnosis, playing an important role in preventing progress and treating the Alzheimer's disease (AD), is based on classification of features extracted from brain images. The features have to accurately capture main AD-related variations of anatomical brain structures, such as, e.g., ventricles size, hippocampus shape, cortical thickness, and brain volume. This paper proposes to predict the AD with a deep 3D convolutional neural network (3D-CNN), which can learn generic features capturing AD biomarkers and adapt to different domain datasets. The 3D-CNN is built upon a 3D convolutional autoencoder, which is pre-trained to capture anatomical shape variations in structural brain MRI scans. Fully connected upper layers of the 3D-CNN are then fine-tuned for each task-specific AD classification. Experiments on the \\emph{ADNI} MRI dataset with no skull-stripping preprocessing have shown our 3D-CNN outperforms several conventional classifiers by accuracy and robustness. Abilities of the 3D-CNN to generalize the features learnt and adapt to other domains have been validated on the \\emph{CADDementia} dataset.

研究の動機と目的

• 医学的画像を用いたアルツハイマー病の早期かつ正確な診断の課題に取り組む。
• 従来の特徴工学の限界を克服し、脳MRIから判別性の高いバイオマーカーを自動的に抽出できる深層学習を活用する。
• ドメイン特化の最小限の再トレーニングで、異なるMRIデータセットに一般化可能な、移植性と適応性のある深層学習フレームワークを開発する。
• 3次元CNNの全結合層に深く監視を統合することで、分類の頑健性と精度を向上させる。
• 頭蓋骨除去処理を施さずに、T1強調MRIのみを用いて、ADNIおよびCADDementiaデータセットで本手法の有効性を実証する。

提案手法

• CADDementiaデータセットを用いて、3次元畳み込みオートエンコーダー（3D-CAE）を事前学習し、構造的脳MRIにおける一般的な解剖学的形状の変異を学習する。
• 3D-CAEのエンコーダー部分をADNIデータセットにおけるAD分類のための特徴抽出器として微調整する。
• AD、MCI、正常対照群の分類のため、3次元CNNの上流に3つの全結合層を積み重ねる。
• 最終出力層だけでなく、各全結合層に対しても判別性損失関数を課すことにより、深く監視を行う。
• 頭蓋骨除去処理を施さずに、1つの画像モodal（T1強調sMRI）のみを用い、生の解剖学的情報を保持する。
• 10分割交差検証を用いてモデルを訓練し、標準指標（正確性、AUC、感度、特異度、F1スコア）を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 CADDementiaで事前学習した3次元CNNが、異なるドメイン（ADNI）におけるアルツハイマー病分類に一般化可能か？
• RQ2 全結合層における深く監視されたアプローチが、AD、MCI、NC被験者の分類に向けた特徴の判別力を向上させるか？
• RQ3 本手法であるDSA-3D-CNNは、従来の分類器および最先端の深層学習モデルと比較して、正確性と頑健性において優れているか？
• RQ4 頭蓋骨除去処理やマルチモodal入力なしで、本モデルがどれほど高い性能を発揮できるか？
• RQ5 本モデルは、異なる交差検証フォールドおよび分類タスクにおいても高い性能を維持できるか？

主な発見

• DSA-3D-CNNは、頭蓋骨除去処理を施さなくても、複数の従来手法および深層学習ベースの分類器と比較して、ADNIデータセットで優れた正確性と頑健性を達成した。
• 本モデルは全5つの分類タスク（例：AD vs. NC、MCI vs. NC）で高い性能を示し、バランス正確性（BAC）およびF1スコアがほとんどの場合0.90を超えた。
• 深く監視されたアプローチにより、感度、特異度、F1スコアがベースラインモデルと比較して顕著に向上したことが実証された。
• ほとんどの分類タスクで受信者操作特性曲線（ROC）下の面積（AUC）が0.95を超えた。これは、強力な予測能力を示している。
• CADDementiaデータセットへの一般化が確認され、本モデルの異なるMRI取得プロトコルおよびスキャナータイプへの適応性が裏付けられた。
• アブレーションスタディの結果、深く監視を削除するか、CADDementiaでの事前学習を省くと性能が顕著に低下した。両者の重要性が裏付けられた。