[論文レビュー] Automatic diagnosis of schizophrenia and attention deficit hyperactivity disorder in rs-fMRI modality using convolutional autoencoder model and interval type-2 fuzzy regression

Afshin Shoeibi, Navid Ghassemi+8 more|arXiv (Cornell University)|May 31, 2022

EEG and Brain-Computer Interfaces参考文献 129被引用数 70

ひとこと要約

本論文は、安静状態機能的磁気共鳴画像法（rs-fMRI）データを用いた統合的診断のための、深層学習とファジィ論理を組み合わせた新規フレームワークを提案する。特徴抽出にカスタム2次元畳み込みオートエンコーダー（CNN-AE）を採用し、グレイワルフ最適化（GWO）で最適化された区間型2次ファジィ回帰（IT2FR）分類器を導入することで、健常対照群、統合失調症（SZ）、注意欠陥多動性障害（ADHD）患者を区別する分類精度が72.71％に達した。

ABSTRACT

Nowadays, many people worldwide suffer from brain disorders, and their health is in danger. So far, numerous methods have been proposed for the diagnosis of Schizophrenia (SZ) and attention deficit hyperactivity disorder (ADHD), among which functional magnetic resonance imaging (fMRI) modalities are known as a popular method among physicians. This paper presents an SZ and ADHD intelligent detection method of resting-state fMRI (rs-fMRI) modality using a new deep learning method. The University of California Los Angeles dataset, which contains the rs-fMRI modalities of SZ and ADHD patients, has been used for experiments. The FMRIB software library toolbox first performed preprocessing on rs-fMRI data. Then, a convolutional Autoencoder model with the proposed number of layers is used to extract features from rs-fMRI data. In the classification step, a new fuzzy method called interval type-2 fuzzy regression (IT2FR) is introduced and then optimized by genetic algorithm, particle swarm optimization, and gray wolf optimization (GWO) techniques. Also, the results of IT2FR methods are compared with multilayer perceptron, k-nearest neighbors, support vector machine, random forest, and decision tree, and adaptive neuro-fuzzy inference system methods. The experiment results show that the IT2FR method with the GWO optimization algorithm has achieved satisfactory results compared to other classifier methods. Finally, the proposed classification technique was able to provide 72.71% accuracy.

研究の動機と目的

• 臨床的診断が主観的で時間がかかり、誤りが生じやすい統合失調症（SZ）および注意欠陥多動性障害（ADHD）の診断課題に対処するため、自動的で客観的かつ正確なコンピュータ支援診断システム（CADS）を構築すること。
• 7つの畳み込み層を備えた新規の2次元畳み込みオートエンコーダー（CNN-AE）アーキテクチャを用いて、rs-fMRIデータからの特徴表現を向上させること。
• 複雑で不確実性の高い神経画像データにおいて分類の頑健性を向上させるために、メタヒューリスティックアルゴリズムで最適化された新規の区間型2次ファジィ回帰（IT2FR）分類器を導入すること。
• 実際のrs-fMRIデータセットを用いて、提案手法の性能を複数の最先端の機械学習およびファジィ推論システムと比較して評価すること。
• 非侵襲的fMRI画像を用いて、早期かつ正確なSZおよびADHDの診断を支援する臨床的応用可能なツールを提供すること。

提案手法

• 本手法は、健常対照群（HC）、統合失調症（SZ）、注意欠陥多動性障害（ADHD）患者のデータを含むUCLAのrs-fMRIデータセットを用いる。
• FMRIB Software Library（FSL）ツールボックスを用いて前処理を行い、rs-fMRIデータを標準化およびクリーニングする。
• 前処理済みデータから118×118の機能的結合マトリクスを抽出し、2次元画像に変換してCNN-AEへの入力とする。
• 7つの畳み込み層を備えたカスタム2次元CNN-AEをエンドツーエンドで学習させ、機能的結合パターンの階層的でコンパクトな表現を学習する。
• 抽出された特徴は、グレイワルフ最適化（GWO）、遺伝的アルゴリズム（GA）、粒子群最適化（PSO）で最適化された新規の区間型2次ファジィ回帰（IT2FR）モデルを用いて分類する。
• 分類モデルの頑健性と一般化性能を確保するため、10分割交差検証を適用する。

実験結果

リサーチクエスチョン

• RQ1 カスタム2次元畳み込みオートエンコーダーは、rs-fMRIの機能的結合マトリクスからSZおよびADHD分類に有用な特徴を効果的に抽出できるか？
• RQ2 提案された区間型2次ファジィ回帰（IT2FR）モデルは、従来の機械学習および1次ファジィ分類器を上回り、rs-fMRIデータからのSZおよびADHD診断において優れた性能を示すか？
• RQ3 GWO、GA、PSOのうち、IT2FRと統合した場合に、分類タスクにおいて最も優れた性能を発揮するのはどのメタヒューリスティック最適化手法か？
• RQ4 本手法のCADSは、HC対SZまたはHC対ADHDの2クラス分類に特化した既存の最先端手法と比較して、3クラス（HC、SZ、ADHD）を区別する際の精度で優れているか？
• RQ5 rs-fMRIデータから抽出された機能的結合パターンは、SZおよびADHDにおける既知の神経生物学的差異をどれほど反映しているか？

主な発見

• 提案されたIT2FR-GWO分類器は、MLP、KNN、SVM、ランダムフォレスト、決定木、およびANFISベースのモデルを含むすべての評価手法の中で最高の分類精度72.71％を達成した。
• 2次元CNN-AEによる特徴抽出とIT2FR-GWOによる分類の組み合わせは、ベースラインモデルと比較して診断性能を顕著に向上させた。
• 本手法は、HC対SZまたはHC対ADHDの2クラス分類に特化した既存の最先端手法を上回った。特に、HC、SZ、ADHDの3クラスを区別できる点で優位性を示した。
• 区間型2次ファジィ論理の使用により、被験者間のばらつきやノイズの多い信号の影響を効果的に捉え、分類の頑健性が向上した。
• CNN-AEモデルによって抽出された機能的結合パターンは、HC、SZ、ADHD患者間での脳ネットワーク結合性の顕著な差異を示しており、先行する神経画像研究と整合的であった。
• 深層学習と高度なファジィ推論、メタヒューリスティック最適化を統合する手法が、複雑な脳疾患の自動的で正確かつ信頼性の高い診断に有望であることが示された。