[論文レビュー] DaTscan SPECT Image Classification for Parkinson's Disease

Justin Quan, Xu Lin+3 more|arXiv (Cornell University)|Sep 9, 2019

Brain Tumor Detection and Classification参考文献 14被引用数 10

ひとこと要約

本研究では、小規模なデータセットに対処するため、3スライス（40–42）のRGB連結とデータ拡張を活用して、パーキンソン病（PD）または正常な状態に分類する深層畳み込みニューラルネットワーク（CNN）を提案する。InceptionV3アーキテクチャを用いたモデルは、659枚のPPMIデータセットで98.48％のテスト精度、99.67％のPR AUC、99.09％のROC AUCを達成し、高い感度（98.88％）と特異度（97.67％）を示した。

ABSTRACT

Parkinson's Disease (PD) is a neurodegenerative disease that currently does not have a cure. In order to facilitate disease management and reduce the speed of symptom progression, early diagnosis is essential. The current clinical, diagnostic approach is to have radiologists perform human visual analysis of the degeneration of dopaminergic neurons in the substantia nigra region of the brain. Clinically, dopamine levels are monitored through observing dopamine transporter (DaT) activity. One method of DaT activity analysis is performed with the injection of an Iodine-123 fluoropropyl (123I-FP-CIT) tracer combined with single photon emission computerized tomography (SPECT) imaging. The tracer illustrates the region of interest in the resulting DaTscan SPECT images. Human visual analysis is slow and vulnerable to subjectivity between radiologists, so the goal was to develop an introductory implementation of a deep convolutional neural network that can objectively and accurately classify DaTscan SPECT images as Parkinson's Disease or normal. This study illustrates the approach of using a deep convolutional neural network and evaluates its performance on DaTscan SPECT image classification. The data used in this study was obtained through a database provided by the Parkinson's Progression Markers Initiative (PPMI). The deep neural network in this study utilizes the InceptionV3 architecture, 1st runner up in the 2015 ImageNet Large Scale Visual Recognition Competition (ILSVRC), as a base model. A custom, binary classifier block was added on top of this base. In order to account for the small dataset size, a ten fold cross validation was implemented to evaluate the model's performance.

研究の動機と目的

• 放射線科医の主観的判断に依存しない、自動化された、客観的な方法で、DaTスキャンSPECT画像をPDまたは非PDに分類すること。
• PPMIデータベースの小規模でアンバランスなDaTスキャンSPECT画像データセットに対して、深層CNNの性能を評価すること。
• 限られたトレーニングデータを補うために、データ拡張およびトランスファーラーニング技術がモデルの汎化性能に与える影響を検討すること。
• 3D SPECT画像スライスを2D RGB入力として使用する手法が、効果的なディープラーニングベースの分類に与える可能性を評価すること。

提案手法

• 本研究では、事前学習済みのInceptionV3アーキテクチャを特徴量抽出器として用い、DaTスキャンSPECT画像に微調整を施したトランスファーラーニングを採用した。
• ストライアトスフェア領域で最も強い強度を示すスライス40、41、42をRGB画像に3チャンネルとして連結し、空間的コンテキストを保持した。
• データ拡張は、KerasのImageDataGeneratorを用いてリアルタイムで実行し、微小な回転、シフト、反転を適用して有効なデータセットサイズを拡大した。
• モデルのロバストネスを評価するために10-fold交差検証を実施し、その後、クラスバランスを考慮した80:20のトレーニング・テスト分割を実施した。
• モデルは500エポックにわたり学習させ、初期値1e-3から1e-6に線形減衰するコサインスケジュールを用い、バッチサイズは16とした。
• 性能評価には、標準的な指標として、精度、AUC-ROC、AUC-PR、感度、特異度、適合率を用いた。

実験結果

リサーチクエスチョン

• RQ1 深層CNNは、高い精度で、DaTスキャンSPECT画像をPDおよび非PDに分類できるか？
• RQ2 データ拡張およびトランスファーラーニングは、小規模でアンバランスな医療画像データセットにおける性能向上にどのように寄与するか？
• RQ3 全ボリュメトリックデータと比較して、特定のSPECTスライス（40–42）を選択することで、分類性能にどの程度の影響が生じるか？
• RQ4 モデルの感度および特異度は、臨床的診断基準と比較してどの程度の水準にあるか？

主な発見

• モデルは132枚の未知のテスト画像に対して98.48％のテスト精度を達成し、真陽性が88例、真陰性が42例であった。
• 感度は98.88％に達し、PD症例の98.88％を正しく同定したことを示した。
• 特異度は97.67％であり、非PD症例の97.67％を正しく分類したことを示した。
• 適合率は98.88％であり、予測されたPD症例のうち98.88％が正しかったことを意味した。
• PR曲線下の面積は0.9967であり、優れた適合率・再現率の性能を示した。
• ROC曲線下の面積は0.9909であり、PDと非PDクラスの間の強力な識別能力を示した。