[論文レビュー] Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks

Zahraa Sh. Aaraji, Hawraa H. Abbas|arXiv (Cornell University)|Mar 31, 2022

Brain Tumor Detection and Classification被引用数 5

ひとこと要約

本研究では、脳MRIスキャンを用いたアルツハイマー病（AD）分類のためのディープラーニングフレームワークを提案する。前処理、セグメンテーション、および4つのCNNアーキテクチャ（特にResNet）を用い、元の画像および処理済み画像で分類を実施した。最高の結果として、セグメンテーション処理済みMRIデータを用いた場合にADと認知機能が正常な被験者を区別する際の正確度が93.50％に達した。これは、画像前処理が分類性能を向上させることを示している。

ABSTRACT

Alzheimer's disease (AD) is one of the most common public health issues the world is facing today. This disease has a high prevalence primarily in the elderly accompanying memory loss and cognitive decline. AD detection is a challenging task which many authors have developed numerous computerized automatic diagnosis systems utilizing neuroimaging and other clinical data. MRI scans provide high-intensity visible features, making these scans the most widely used brain imaging technique. In recent years deep learning has achieved leading success in medical image analysis. But a relatively little investigation has been done to apply deep learning techniques for the brain MRI classification. This paper explores the construction of several deep learning architectures evaluated on brain MRI images and segmented images. The idea behind segmented images investigates the influence of image segmentation step on deep learning classification. The image processing presented a pipeline consisting of pre-processing to enhance the MRI scans and post-processing consisting of a segmentation method for segmenting the brain tissues. The results show that the processed images achieved a better accuracy in the binary classification of AD vs. CN (Cognitively Normal) across four different architectures. ResNet architecture resulted in the highest prediction accuracy amongst the other architectures (90.83% for the original brain images and 93.50% for the processed images).

研究の動機と目的

• 脳MRIデータを用いたアルツハイマー病の分類のための自動化されたシステムの開発。
• 画像前処理およびセグメンテーションがディープラーニングベースのAD分類に与える影響の評価。
• MRIデータに対する複数のディープ畳み込みニューラルネットワークアーキテクチャの性能比較。
• 元のスキャンと比較して、脳組織画像をセグメンテーションすることで分類正確度が向上するかの検証。
• 最小限の臨床データと高解像度MRIを用いた、AD診断のための堅牢でエンドツーエンドのパイプラインの貢献。

提案手法

• 本手法は、複数段階のパイプラインを含む：MRIスキャンの品質向上のための前処理、および脳組織セグメンテーションによる後処理。
• 組織セグメンテーションは、脳構造を分離することを目的とし、ノイズを低減し、病理的特徴を強調する。
• 4つのディープラーニングアーキテクチャ（ResNet、DenseNet、VGGNet、InceptionNet）を、元の画像およびセグメンテーション済みMRI画像の両方で訓練および評価した。
• 限られた医療データにおける一般化を向上させるために、ImageNetで事前学習された重みを用いた転移学習をモデルの訓練に適用した。
• ADと認知機能が正常な被験者との間の二値分類の正確度を用いて性能を評価した。
• 信頼性の高い性能推定を確保するため、標準的な訓練／検証／テスト分割を用いた。

実験結果

リサーチクエスチョン

• RQ1 画像セグメンテーションは、脳MRIスキャンからのアルツハイマー病分類におけるディープラーニングモデルの性能を向上させるか？
• RQ2 どのディープニューラルネットワークアーキテクチャが、ADと認知機能が正常な被験者を分類する際に最高の正確度を達成するか？
• RQ3 MRIデータの前処理は、モデルがAD関連のパターンを検出する能力にどのように影響するか？
• RQ4 元のMRIスキャンと比較して、セグメンテーション処理済み脳組織画像を用いることで顕著な性能向上が得られるか？
• RQ5 事前学習モデルを用いた転移学習は、限られたMRIデータを用いてADを効果的に分類できるか？

主な発見

• ResNetアーキテクチャは、元のMRI画像を用いた場合に90.83％の最高正確度を達成した。
• 画像セグメンテーションを適用した後、ResNetモデルの正確度は93.50％に向上し、前処理による顕著な性能向上が示された。
• 全評価アーキテクチャにおいて、セグメンテーション済み画像が元の画像を常に上回る性能を示し、組織レベルの特徴抽出の利点を確認した。
• 本研究では、前処理およびセグメンテーションが、AD分類におけるディープラーニングモデルの性能を顕著に向上させることを示した。
• 評価済みモデルの中で、ResNetが最も頑健な性能を示し、医療画像分類タスクにおける適性が示唆された。
• 結果から、処理済みMRIデータを用いて訓練されたディープラーニングモデルは、高い診断正確度を達成できることを示し、臨床意思決定支援システムへの応用が有効であることが示唆された。