[論文レビュー] Classification of Alzheimer's Disease using fMRI Data and Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|Mar 29, 2016

Functional Brain Connectivity Studies参考文献 10被引用数 104

ひとこと要約

この論文は LeNet-5 CNN を訓練して fMRI データからアルツハイマー病と正常対照を分類し、ADNI由来画像でテスト精度約 96.86% を達成した。

ABSTRACT

Over the past decade, 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 power learning machine learning algorithm in classification while extracting 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 functional MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 96.85%. 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

• fMRI データからアルツハイマー病診断を支援するための機械学習の利用を動機付ける。
• CNN ベースのパイプラインを開発して識別特徴を抽出し、AD vs 正常な脳を分類する。
• 高い分類精度を示し、疾病段階評価への展開の可能性を議論する。

提案手法

• Resting-state fMRI データを ADNI から前処理し 2D 画像スタックを作成するために nibabel と OpenCV を使用する；ディープラーニングフレームワークへの高速入力のために lmdb に変換する。
• クレンジング済み画像データセットに対して二値分類 AD vs Normal のために LeNet-5 CNN アーキテクチャ（Caffe DIGITS 経由）を採用する。
• データをトレーニング (60%), 検証 (20%), テスト (20%) に分割し、30 エポック・バッチサイズ 64；合計 270,900 のトレーニングサンプルと 90,300 の検証/テストサンプル。
• 5 分割のクロスバリデーションを実施し、頑健性を確保するためにプロセスを5回繰り返し、実行ごとの精度を報告する。
• CNN ベースの特徴と分類が高精度を生み出すことを示し、学習特徴を示す畳み込みフィルタの可視化を行う。

実験結果

リサーチクエスチョン

• RQ1 CNN ベースのアーキテクチャは変換された fMRI データを用いてアルツハイマー病と健常対照を信頼性高く識別できるか？
• RQ2 この fMRI派生画像表現で AD vs Normal 分類に対して LeNet-5 はどの程度の精度を達成できるか？
• RQ3 前処理とデータ表現パイプラインは分類性能に有意な影響を与えるか？

主な発見

実行1	実行2	実行3	実行4	実行5	平均
96.858	96.857	96.854	96.863	96.8588	96.8588

• 5 回の実行にわたる平均テスト精度は 96.8588%。
• 各実行の精度: 96.858, 96.857, 96.854, 96.863, 96.8588. 平均 96.8588。
• CNN ベースのアプローチは同様のタスクで報告されている従来の SVM ベースの結果（約 84%）を上回る。
• モデルの学習は NVIDIA GPU クラウド上で実施され、深層学習アプローチの計算要件を強調している。
• 学習済みフィルタの可視化は、CNN が fMRI ベースの疾病分類に有益なシフト/スケール不変特徴を抽出することを示唆する。