[論文レビュー] End-to-End Parkinson Disease Diagnosis using Brain MR-Images by 3D-CNN

Soheil Esmaeilzadeh, Yao Yang+1 more|arXiv (Cornell University)|Jun 13, 2018

Advanced Neural Network Applications参考文献 10被引用数 47

ひとこと要約

論文は、年齢と性別を組み込んだ3D-CNNのエンドツーエンドフレームワークを提案し、3D脳MRIからパーキンソン病を分類する。検証/テスト性能が高く、重要な領域を識別する脳ヒートマップを提供。

ABSTRACT

In this work, we use a deep learning framework for simultaneous classification and regression of Parkinson disease diagnosis based on MR-Images and personal information (i.e. age, gender). We intend to facilitate and increase the confidence in Parkinson disease diagnosis through our deep learning framework.

研究の動機と目的

• 手作り特徴量を使わずエンドツーエンド学習によるパーキンソン病診断の改善を動機づける。
• MRIデータと人口統計特徴（年齢、性別）を統一モデルに統合する。
• 共同分類と回帰シグナルが診断性能を改善するかを評価する。
• 脳ヒートマップによるモデル解釈性を示し、重要な領域を特定。
• 頭蓋骨除去など前処理の影響を評価する。

提案手法

• 入力として頭蓋骨除去済み3D MRIデータ（80x100x108x1）を使用。
• 繰り返し畳み込みプーリングブロックと2つの全結合層を有する3D-CNNアーキテクチャを開発。
• Leaky ReLU 活性化とSoftmax出力を用いてパーキンソン病 vs 健常の分類を訓練。
• 最後の全結合層に年齢と性別を追加の特徴として組み込む。
• 正規化（バッチまたはグループ）と正則化（カーネル/バイアス）をハイパーパラメータ探索で適用。
• Adamオプティマイザとクロスエントロピー損失を使用し、リコールを重視したF2スコアで評価。

実験結果

リサーチクエスチョン

• RQ1 MRIデータだけを用いたエンドツーエンド3D-CNN、または年齢・性別を追加した人口統計特徴を組み込んだ場合、パーキンソン病分類精度は向上するか？
• RQ2 頭蓋骨除去、データ拡張などの前処理と正則化の選択肢は、PD対 HCの一般化を最大化するか？
• RQ3 バッチ正規化とグループ正規化、ドロップアウトは訓練の安定性と性能にどう影響するか？
• RQ4 ヒートマップ分析は医療知識と一致するPD診断の脳領域を特定できるか？

主な発見

No.	Experiment	Accuracy	Train.	Val.
1	Original Model (OM)	1.0	0.771
2	Simplified Model (SM)	1.0	0.820
3	OM + Gender & Age (OM-GA)	1.0	0.812
4	SM + Gender & Age (SM-GA)	1.0	0.841
5	OM-GA + Batch Normalization (OM-GA-B)	1.0	0.821
6	SM-GA + Batch Normalization (SM-GA-B)	1.0	0.847
7	OM-GA + Group Normalization (OM-GA-G)	1.0	0.820
8	SM-GA + Group Normalization (SM-GA-G)	1.0	0.849
9	OM-GA-G + Regularization (OM-GA-GR)	1.0	0.895
10	SM-GA-GR + Regularization (SM-GA-GR)	1.0	0.935
11	OM-GA-GRD + Drop-out (OM-GA-GRD)	1.0	0.947
12	SM-GA-GRD + Drop-out (SM-GA-GRD)	1.0	1.000

• 年齢と性別を組み込んだ最も性能の良い簡略化モデルは、訓練・検証セットの両方で100%の精度を達成し、テストセットでも100%の精度を達成した。
• 年齢と性別を加えると検証精度が一般的に向上（いくつかの構成で最大5ポイント）した。
• 正規化と正則化戦略は過学習を抑制し、検証精度を多くの場合向上させた（例：いくつかの設定で89.5%–100%に達することも）。
• 混同行列とROC曲線は、訓練・検証・テストセットでHC対PDの識別がほぼ完璧であることを示し（報告された結果のAUCは1.0）。
• ヒートマップ分析は基底核と黒質を既知の重要領域として強調し、右半球の上頭頂葉領域をPD診断の新たな強調として示した。