[論文レビュー] Classification of Alzheimer's Disease Structural MRI Data by Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|Jul 22, 2016

Brain Tumor Detection and Classification被引用数 49

ひとこと要約

本研究では、構造的MRIデータを用いてアルツハイマー病と健常対照群を分類するため、LeNet-5アーキテクチャに基づく畳み込みニューラルネットワーク（CNN）を用いた深層学習手法を提案する。この手法はテストデータで98.84％の正確性を達成し、CNNが病理的でない脳画像と区別するためのシフト不変およびスケール不変特徴を効果的に抽出できることを示している。

ABSTRACT

Recently, machine learning techniques especially predictive modeling and pattern recognition in biomedical sciences from drug delivery system to medical imaging has become one of the important methods which are assisting researchers to have deeper understanding of entire issue and to solve complex medical problems. Deep learning is a powerful machine learning algorithm in classification while extracting low to high-level features. In this paper, we used convolutional neural network to classify Alzheimer's brain from normal healthy brain. The importance of classifying this kind of medical data is to potentially develop a predict model or system in order to recognize the type disease from normal subjects or to estimate the stage of the disease. Classification of clinical data such as Alzheimer's disease has been always challenging and most problematic part has been always selecting the most discriminative features. Using Convolutional Neural Network (CNN) and the famous architecture LeNet-5, we successfully classified structural MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 98.84%. This experiment suggests us the shift and scale invariant features extracted by CNN followed by deep learning classification is most powerful method to distinguish clinical data from healthy data in fMRI. This approach also enables us to expand our methodology to predict more complicated systems.

研究の動機と目的

• アルツハイマー病と健常脳MRIスキャンを区別するための堅牢な自動化システムの開発。
• 臨床的神経画像データにおける判別的特徴の選択という課題への対処。
• 特にCNNを用いた深層学習が、構造的MRIから階層的特徴を抽出する有効性の評価。
• 正確な分類を通じて、アルツハイマー病の早期発見または病期分類を可能にする。
• より複雑な神経疾患予測へのこの手法のスケーラビリティの探求。

提案手法

• 特徴抽出および分類のため、LeNet-5アーキテクチャに基づく畳み込みニューラルネットワーク（CNN）を採用。
• 手動によるセグメンテーションや手作業特徴工学を一切行わず、生の構造的MRIスキャンを入力として使用。
• 低レベルから高レベルの表現に至るまでの階層的特徴を、エンドツーエンドで学習するようにCNNを訓練。
• 特徴の頑健性を向上させるために、空間プーリングおよび非線形活性化関数（例：ReLU）を適用。
• 最適化には確率的勾配降下法を、多クラス分類出力にはソフトマックス関数を用いた。
• 汎化性能を確保し、過学習を回避するために、ホールドアウトされたテストセットを用いてモデルの性能を評価。

実験結果

リサーチクエスチョン

• RQ1 生の構造的MRIデータのみを用いて、深層CNNがアルツハイマー病と健常対照群を効果的に分類できるか？
• RQ2 従来の特徴選択と比較して、CNNが抽出した特徴は、未知のMRIスキャンにどの程度一般化できるか？
• RQ3 LeNet-5アーキテクチャは、脳萎縮検出のような低レベルの医療画像処理タスクにおいてどの程度の性能を示すか？
• RQ4 手作業による特徴工学や前処理に依存せずに、このモデルが高精度を達成できるか？
• RQ5 この手法が神経変性疾患の早期診断や病期分類にどの程度の可能性を秘めているか？

主な発見

• CNNモデルは、構造的MRIデータを用いて、アルツハイマー病と健常対照群を区別するテストで98.84％の正確性を達成した。
• モデルは、頑健な医療画像分類に不可欠な、シフト不変およびスケール不変特徴を効果的に抽出した。
• 性能の結果から、深層学習が手作業で選択された特徴に依存する従来の手法を上回ることを示している。
• 結果から、エンドツーエンド学習によるCNNは、専門家が定義した特徴に依存する必要性を低減できることを示唆している。
• この手法は、他の複雑な神経疾患の予測にも応用可能で、移植可能かつスケーラブルである。
• 本研究は、高精度な診断を実現する構造的脳MRI解析において、深層学習が強力なツールであることを確認した。