[論文レビュー] Image analysis for Alzheimer's disease prediction: Embracing pathological hallmarks for model architecture design

Sarah C. Brüningk, Felix Hensel+2 more|arXiv (Cornell University)|Nov 12, 2020

Brain Tumor Detection and Classification参考文献 9被引用数 4

ひとこと要約

本論文は、局所的脳萎縮とアルツハイマー病（AD）におけるグローバルな結合性変化を同時にモデル化するスケーラブルでハイブリッドなディープラーニングフレームワークを提案する。このフレームワークは、パッチベースの3次元畳み込みニューラルネットワーク（3D-CNN）とトポロジカルデータ解析（TDA）を、恒久的ホモロジーを用いて統合している。ADNIのT1強調MRIデータを用いた認知的に正常な被験者とAD患者の分類において、平均精度は0.95±0.03を達成し、競争力のある性能を示した一方で、解釈可能性と並列学習を可能にした。

ABSTRACT

Alzheimer's disease (AD) is associated with local (e.g. brain tissue atrophy) and global brain changes (loss of cerebral connectivity), which can be detected by high-resolution structural magnetic resonance imaging. Conventionally, these changes and their relation to AD are investigated independently. Here, we introduce a novel, highly-scalable approach that simultaneously captures $ extit{local}$ and $ extit{global}$ changes in the diseased brain. It is based on a neural network architecture that combines patch-based, high-resolution 3D-CNNs with global topological features, evaluating multi-scale brain tissue connectivity. Our local-global approach reached competitive results with an average precision score of $0.95\pm0.03$ for the classification of cognitively normal subjects and AD patients (prevalence $\approx 55\%$).

研究の動機と目的

• アルツハイマー病における局所的およびグローバルな脳変化を捉えるスケーラブルで高分解能な3次元画像解析フレームワークの開発。
• ノイズに強く、マルチスケールの脳結合特徴をモデル化するため、トポロジカルデータ解析（TDA）をディープラーニングと統合する。
• GPUメモリ制限を克服するため、並列化を可能にするパッチベースのアプローチを用いて、フルボリューム3D-CNN学習の計算制限を回避する。
• 学習された特徴とADの病理的特徴を結びつけることで、モデル予測の解釈可能性を向上させる。
• 軽度認知障害（MCI）対ADといったより複雑な臨床分類への転移学習の基盤を構築する。

提案手法

• ハイパーパramータをランダムサーチで最適化したパッチベースの3D-CNNアーキテクチャを、高分解能T1強調MRIスキャンから抽出された216個のサブボリューム（30×36×30ボクセル）に適用した。
• フル3次元MRIボリューム上で恒久的ホモロジーを用いてトポロジカル特徴を抽出し、2次元CNNに統合可能なように、パーシステント画像（PI）によるベクトル化を実施した。
• 2つのアンサンブル戦略を評価した：(i) 216個すべてのパッチベース3D-CNNの予測をロジスティック回帰で統合し、(ii) 1つのパッチ3D-CNNとグローバルTDA特徴を統合した。
• 画像前処理にはリスケーリング、クロッピングを実施し、ノイズ低減のためさまざまなフィルタ（ガウス、ダウンサンプリング）とパーシステントフィルタリングをテストした。
• 最終モデルは、ヘ・ユニフォーム初期化とAdam最適化アルゴリズムを用いたシンプルな3D-CNNアーキテクチャを採用し、2500エポックで学習し、早期停止を適用した。
• 最も予測に寄与する画像パッチとその関連トポロジカル特徴を分析することで、モデルの解釈可能性を実現し、冠状断層MRIスライス上に可視化した。

実験結果

リサーチクエスチョン

• RQ1 局所的3D-CNN特徴とグローバルなトポロジカル特徴を統合したハイブリッドディープラーニングモデルは、アルツハイマー病分類の精度を向上させることができるか？
• RQ2 恒久的ホモロジーを用いたトポロジカルデータ解析（TDA）は、構造的MRIにおける全脳結合性変化の検出を向上させるか？
• RQ3 限られたGPUメモリ下で、フルボリューム3D-CNN学習と比較して、パッチベースの3D-CNNアプローチはスケーラビリティとパフォーマンスにおいて優れているか？
• RQ4 複数のパッチ予測とグローバルTDA特徴を統合するアンサンブルモデルは、単一モデルベースラインと比較して、より高いロバスト性と一般化性能を達成できるか？
• RQ5 モデルの予測は、アルツハイマー病の既知の病理的特徴に基づいてどの程度解釈可能か？

主な発見

• 216個すべてのパッチベース3D-CNN予測を統合したアンサンブルモデルは、認知的に正常な被験者とアルツハイマー病患者を区別する際、平均精度0.95±0.03を達成した。
• 1つの代表的パッチとトポロジカル特徴（PI）を用いたモデルは、競争力のあるパフォーマンスを示し、グローバルトポロジカル特徴が局所的パッチレベル表現を補完できることを示唆した。
• 広範な前処理を行ったにもかかわらず、TDA特徴はベースライン3D-CNNと比較して分類性能を顕著に向上させず、TDAパイプライン設計の改善の余地があることを示した。
• パッチベースのアプローチにより、高度に並列化された学習が可能となり、標準的なGPUハードウェア上では3D-CNNの1エポックあたり1秒、2D-CNNでは0.1秒の推論速度を達成した。
• 本手法は、最も予測に寄与するパッチとその関連トポロジカル特徴が特定可能で、MRIスライス上に可視化可能であるという点で、強力なスケーラビリティと解釈可能性を示した。
• フルボリューム学習が計算的に不可能な状況においても、TDAを統合したシンプルで解釈可能な3D-CNNアーキテクチャを用いた高分解能3次元MRI解析の実現可能性が本研究で示された。