[論文レビュー] Classification of Alzheimer's Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss

Muhammad Wildan Oktavian, Novanto Yudistira+1 more|arXiv (Cornell University)|Jul 4, 2022

Public Health and Nutrition被引用数 22

ひとこと要約

本論文は、ImageNetからの転移学習、重み付きロス、Mish活性化を用いてADNI MRIデータをAD、MCI、CNに分類するResNet-18 CNNを用い、88.3%の精度を達成した（ベースライン69.1%と比較）。

ABSTRACT

Alzheimer's disease is a progressive neurodegenerative disorder that gradually deprives the patient of cognitive function and can end in death. With the advancement of technology today, it is possible to detect Alzheimer's disease through Magnetic Resonance Imaging (MRI) scans. So that MRI is the technique most often used for the diagnosis and analysis of the progress of Alzheimer's disease. With this technology, image recognition in the early diagnosis of Alzheimer's disease can be achieved automatically using machine learning. Although machine learning has many advantages, currently the use of deep learning is more widely applied because it has stronger learning capabilities and is more suitable for solving image recognition problems. However, there are still several challenges that must be faced to implement deep learning, such as the need for large datasets, requiring large computing resources, and requiring careful parameter setting to prevent overfitting or underfitting. In responding to the challenge of classifying Alzheimer's disease using deep learning, this study propose the Convolutional Neural Network (CNN) method with the Residual Network 18 Layer (ResNet-18) architecture. To overcome the need for a large and balanced dataset, transfer learning from ImageNet is used and weighting the loss function values so that each class has the same weight. And also in this study conducted an experiment by changing the network activation function to a mish activation function to increase accuracy. From the results of the tests that have been carried out, the accuracy of the model is 88.3 % using transfer learning, weighted loss and the mish activation function. This accuracy value increases from the baseline model which only gets an accuracy of 69.1 %.

研究の動機と目的

• MRIベースの画像分類を用いた自動的な早期アルツハイマー病検出の動機付け。
• 限られたデータと不均衡なクラスでのアルツハイマー病分類のためのCNNベースのアーキテクチャを評価。
• 転移学習、クラス重み付け、活性化関数がモデルの性能に与える影響を調査。
• データの不均衡を緩和し、事前学習を活用して精度を向上させる方法論を提案。

提案手法

• 主にResNet-18で、Residual Network (ResNet) アーキテクチャを採用した。
• ImageNetからの転移学習を適用して、ドメイン特有データの制限を補った。
• AD、MCI、CN間のクラス不均衡に対処するため、重み付き交差エントロピー損失を実装。
• 対象層でReLUをMish活性化に置換して性能向上を評価。
• CNN入力のため、頭蓋骨除去（スカルストリップ）と3Dスキャンを2Dスライスに変換して前処理。

実験結果

リサーチクエスチョン

• RQ1 大規模データセットからの転移学習は、ADNIデータに対するアルツハイマーMRI分類の性能を改善できるか？
• RQ2 クラス不均衡に対処するため損失関数を重み付けすることは、マイノリティであるADクラスの検出と全体の多クラス精度を改善するか？
• RQ3 このタスクにおけるMish活性化とReLUの使用がモデルの精度およびクラス別指標に与える影響は何か？

主な発見

• 重み付け損失とMish活性化を伴う転移学習により、テストデータで88.3%の多クラス精度を達成。
• 転移学習や重み付けなしのベースラインは69.1%の精度であり、提案手法から大きな利得を示している。
• 重み付き損失はADおよびCNクラスの精度を向上させ、クラス間でいくつかのF1スコアを向上させた。
• 転移学習は報告された結果で精度、適合率、再現率、F1スコアを著しく向上させた。
• Mish活性化関数は、転移学習と重み付き損失と組み合わせても精度をさらに改善しなかったが、いくつかのクラス別指標には影響を与えた。