[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

Brain Tumor Detection and Classification被引用数 127

ひとこと要約

本論文は CNN（LeNet-5）を用いて、ADNI から前処理済み fMRI データを用いた健常対アルツハイマー病の分類を行い、5-fold で約 96.86% のテスト精度を達成した。

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を分類する際に、深層学習がどのように貢献できるかを動機づける。
• fMRI の 4D データを分類用の画像類似入力へ変換する CNN ベースのパイプラインを構築する。
• クロスバリデーションを用いて、CNN アプローチの性能と頑健性を評価する。

提案手法

• ADNI からの fMRI データを前処理し、4D fMRI を 2D JPEG 画像へ変換する。ラベルは Alzheimer’s vs Normal。
• LeNet-5 CNN アーキテクチャを採用し、NVIDIA GPU 環境で Caffe DIGITS を用いて学習する。
• データを訓練用 60%、検証用 20%、テスト用 20% に分割する。5-fold クロスバリデーションを実施。
• バッチサイズ 64、30 エポックで学習する。総サンプル数: 訓練 270,900 枚、検証/テスト画像 90,300 枚。
• 5 回の実行における精度を報告し、学習率スケジュールと損失/精度の推移を議論する。

実験結果

リサーチクエスチョン

• RQ1 CNN アーキテクチャは、fMRI由来の画像入力に対して LeNet-5 を効果的に近似できるか（アルツハイマー病 vs 健常の分類）？
• RQ2 ADNI由来の fMRI データでクロスバリデーションを用いた場合、達成可能な精度と安定性はどの程度か？
• RQ3 CNN は rs-fMRI データからアルツハイマー病分類に適した識別的でシフト/スケール不変な特徴を捉えているか？

主な発見

• 5 回の実行の平均テスト精度は 96.8588%（範囲はおおよそ 96.854%〜96.863%）。
• 訓練は 30 エポック、学習率スケジュールを使用（初期 0.01、10 エポックごとに 10 分の1 に減衰）。
• CNN の特徴量（フィルター／カーネル）は、層を通じて学習された表現の可視化を提供する。
• 従来の SVM ベースのアプローチ（約 84%）と比較して、同じデータ処理パイプラインで CNN アプローチは大幅な精度向上を達成した。