[論文レビュー] An Ensemble of Deep Convolutional Neural Networks for Alzheimer's Disease Detection and Classification

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|Dec 2, 2017

Brain Tumor Detection and Classification参考文献 6被引用数 40

ひとこと要約

本論文は、OASISデータセットの脳MRIデータを用いてアルツハイマー病の検出と分類を目的として、3つのDenseNetベースの深層畳み込みニューラルネットワーク（DenseNet-121、DenseNet-161、DenseNet-169）のアンサンブルを提案する。モデルは転移学習を活用し、冠状、 coronal、矢状断面からの3次元MRIパッチ入力を用い、メジャリティ投票戦略を採用することで、この小規模なデータセットにおいて93.18％の正確性を達成し、先行研究を上回った。

ABSTRACT

Alzheimer's Disease destroys brain cells causing people to lose their memory, mental functions and ability to continue daily activities. It is a severe neurological brain disorder which is not curable, but earlier detection of Alzheimer's Disease can help for proper treatment and to prevent brain tissue damage. Detection and classification of Alzheimer's Disease (AD) is challenging because sometimes the signs that distinguish Alzheimer's Disease MRI data can be found in normal healthy brain MRI data of older people. Moreover, there are relatively small amount of dataset available to train the automated Alzheimer's Disease detection and classification model. In this paper, we present a novel Alzheimer's Disease detection and classification model using brain MRI data analysis. We develop an ensemble of deep convolutional neural networks and demonstrate superior performance on the Open Access Series of Imaging Studies (OASIS) dataset.

研究の動機と目的

• 限られた神経画像データを用いて、早期アルツハイマー病検出のための頑健なディープラーニングモデルの開発を目的とする。
• 小規模な医療画像データセットの課題に対処するため、転移学習と多平面MRIパッチを用いたデータ拡張を活用する。
• 4段階のAD状態（非認知症、非常に軽度、軽度、中程度）の分類性能を向上させるために、事前学習済みDenseNetアーキテクチャのアンサンブルを用いる。
• 早期の臨床的介入を可能にするために、早期AD状態における微妙な病理的変化を正確に区別できるようにする。

提案手法

• フレームワークは、冠状、冠状、矢状断面からの3次元MRIパッチを、3つの事前学習済みDenseNetモデル（DenseNet-121、DenseNet-161、DenseNet-169）の入力として使用する。
• ImageNetで事前学習された重みを用いて転移学習を実施し、小規模なOASISデータセットにおける特徴学習を向上させる。
• 各個々のモデルは、4クラスの分類確率を出力するためにソフトマックス層を用い、最適化には交差エントロピー損失を使用する。
• 最終予測は、3つのモデル間のメジャリティ投票により決定され、モデルの頑健性と一般化性能を向上させる。
• 信頼性の高い評価を確保するため、5分割交差検証を実施し、各分割で70％を訓練、10％を検証、20％をテストに割り当てる。
• クラスの不均衡、特に中程度ADのようなレアクラスに対しては、訓練中にクラスウェイトを適用する。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みDenseNetモデルのアンサンブルは、小規模なMRIデータセットからのアルツハイマー病ステージの分類に効果的に機能するか？
• RQ2 冠状、冠状、矢状断面からの多平面パッチ入力は、単一平面入力と比較して分類性能をどのように向上させるか？
• RQ3 転移学習とクラスウェイトは、限られた医療画像データにおけるモデル性能をどの程度向上させるか？
• RQ4 多様なDenseNetアーキテクチャ間のメジャリティ投票は、小規模データセットにおける一般化性能を向上させ、過学習を低減するか？
• RQ5 OASISデータセットにおいて、GLCMのような最先端手法と比較して、本モデルの正確性とF1スコアはどの程度優れているか？

主な発見

• 提案されたアンサンブルモデルは、OASISデータセットで93.18％の正確性、94％の適合率、93％の再現率、92％のF1スコアを達成し、以前の最先端手法を上回った。
• DenseNet-121が個々の性能で最高を記録し、92％のF1スコアを達成したが、DenseNet-161はクラスの不均衡のため、まれなクラスでは低い性能を示した。
• アンサンブルモデルにより、「非常に軽度」ADクラスの再現率が33％に向上（DenseNet-161では0％）し、早期段階の検出能力が向上した。
• 訓練中にクラスウェイトを適用することで、特に2例しか存在しない「中程度」ADクラスにおいても性能が著しく向上した。
• アンサンブルにおいて「非常に軽度」ADクラスの適合率は100％を達成し、この段階の予測に対して高い信頼性があることを示した。