[論文レビュー] Brain Abnormality Detection by Deep Convolutional Neural Network

Mina Rezaei, Haojin Yang+1 more|arXiv (Cornell University)|Aug 17, 2017

Brain Tumor Detection and Classification参考文献 13被引用数 4

ひとこと要約

本論文では、健康、高悪性度グリオーマ、低悪性度グリオーマ、多発性硬化症、アルツハイマー病の5つのカテゴリに分類するための、7つの畳み込み層と3つの全結合層を備えた10層の深層畳み込みニューラルネットワーク（DCNN）を提案する。この手法は、多クラス脳異常検出タスクにおいて95.7％の分類精度を達成し、深層学習を用いた医療画像解析における優れたパフォーマンスを示している。

ABSTRACT

In this paper, we describe our method for classification of brain magnetic resonance (MR) images into different abnormalities and healthy classes based on the deep neural network. We propose our method to detect high and low-grade glioma, multiple sclerosis, and Alzheimer diseases as well as healthy cases. Our network architecture has ten learning layers that include seven convolutional layers and three fully connected layers. We have achieved a promising result in five categories of brain images (classification task) with 95.7% accuracy.

研究の動機と目的

• MRIスキャンを用いて、多様な脳異常と健康な状態を区別できる深層学習モデルの開発を目的とする。
• 脳MRI画像から多様な神経疾患を正確かつ自動的に分類する課題に取り組むことを目的とする。
• 深層ニューラルネットワークを活用することで、診断の効率を向上させ、人的な放射線科医による解釈に依存するのを減らすことを目的とする。
• カスタムDCNNアーキテクチャの多クラス脳MRI分類タスクにおける性能を評価することを目的とする。

提案手法

• 特徴抽出と分類のため、7つの畳み込み層と3つの全結合層を備えた10層の深層畳み込みニューラルネットワークを設計した。
• 手作業による特徴量設計を不要とし、生の脳MRI画像から階層的な特徴を自動で抽出できるエンドツーエンド学習を採用した。
• 5つの診断カテゴリ（健康、高悪性度グリオーマ、低悪性度グリオーマ、多発性硬化症、アルツハイマー病）にラベル付けされた脳MRI画像データセットを用いて、教師あり学習でモデルを訓練した。
• 一般化性能と学習安定性を向上させるために、データ拡張およびバッチ正規化やReLU活性化関数などの標準的な深層学習技術を適用した。
• 最終的な分類層は、5つのクラス（健康、高悪性度グリオーマ、低悪性度グリオーマ、多発性硬化症、アルツハイマー病）それぞれに対する確率を出力する。
• 収束を達成するために、標準的な誤差逆伝播法と確率的勾配降下法を用いてアーキテクチャを最適化した。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、高精度でMRIスキャンから複数のタイプの脳異常を分類できるか？
• RQ2 提案されたDCNNアーキテクチャは、多様な神経疾患における脳MRI画像の微細な違いを効果的に区別できるか？
• RQ3 深層学習モデルは、医療画像を用いた脳異常診断における人間の依存度をどの程度低減できるか？
• RQ4 ネットワークの深さと層構成は、多クラス脳MRI解析における分類性能にどのような影響を与えるか？

主な発見

• 提案された深層畳み込みニューラルネットワークは、5カテゴリの脳MRIデータセットで95.7％の分類精度を達成した。
• 高悪性度グリオーマ、低悪性度グリオーマ、多発性硬化症、アルツハイマー病を含む多様な神経疾患において、強力な一般化性能を示した。
• 複数の畳み込み層を備えた深層アーキテクチャのおかげで、生のMRIデータから効果的な自動特徴量学習が可能になった。
• 結果から、深層学習が臨床的画像における脳異常の自動検出に信頼できるツールとして機能できることを示している。
• 手作業による特徴量設計の必要性を排除し、エンドツーエンド学習を可能にする点で、従来の手法を上回る性能を発揮した。