[論文レビュー] Large-Scale Unsupervised Deep Representation Learning for Brain Structure

Ayush Jaiswal, Dong Guo+2 more|arXiv (Cornell University)|May 2, 2018

Functional Brain Connectivity Studies参考文献 10被引用数 3

ひとこと要約

本論文は、ドメイン固有の特徴量や手動の介入を一切用いずに、構造的脳MRIスキャンの汎用的で低次元の表現を学習する大規模な自己教師付き深層学習フレームワークを提案する。この手法は、FreeSurferの特徴量と同等の分類性能を達成しており、最先端の手作業による特徴量と同等の性能を示す一方で、特徴抽出時間を1スキャンあたり1分未満にまで短縮した。

ABSTRACT

Machine Learning (ML) is increasingly being used for computer aided diagnosis of brain related disorders based on structural magnetic resonance imaging (MRI) data. Most of such work employs biologically and medically meaningful hand-crafted features calculated from different regions of the brain. The construction of such highly specialized features requires a considerable amount of time, manual oversight and careful quality control to ensure the absence of errors in the computational process. Recent advances in Deep Representation Learning have shown great promise in extracting highly non-linear and information-rich features from data. In this paper, we present a novel large-scale deep unsupervised approach to learn generic feature representations of structural brain MRI scans, which requires no specialized domain knowledge or manual intervention. Our method produces low-dimensional representations of brain structure, which can be used to reconstruct brain images with very low error and exhibit performance comparable to FreeSurfer features on various classification tasks.

研究の動機と目的

• 手作業によるドメイン固有の特徴量に依存しない、構造的脳MRIのための自己教師付き深層表現学習手法の開発。
• FreeSurferのような従来のツールが直面する限界、すなわち手動による品質管理を要し、異常な脳では失敗する固定された解剖学的事前知識を仮定することの問題を解決すること。
• 多様な脳画像データセットに一般化可能で、より多くのデータに適応可能なスケーラブルなエンドツーエンドの深層学習フレームワークの構築。
• 自己教師付き特徴量としてのCAEから得られる特徴量が、臨床的分類タスクにおいて、確立されたFreeSurfer特徴量の性能を上回るか、同等の性能を発揮するかどうかの評価。

提案手法

• ADNI、ABIDE-I、HCPを含む9つの公開データセットから得た15,485例のsBMRIスキャンを対象に、3種類のCAEアーキテクチャ—CAE-staged、CAE-joint、CAE-3D—を学習した。
• CAE-stagedは2つの独立したオートエンコーダーを用いる：1つは2次元の軸方向スライスを処理し、もう1つはフレームレベルの表現を統合して3次元脳埋め込み表現を生成する。
• CAE-jointは2段階を1つのエンドツーエンドで学習可能なネットワークに統合し、2次元スライス全体で統合的な特徴学習を実現する。
• CAE-3Dは、スライス単位の処理を経ずに、ボリュームデータに直接3次元畳み込みを適用することで、3次元の潜在表現を学習する。
• 全データソースにわたる入力データの標準化のため、頭蓋骨除去とクロッピングを200×200×200の等方的ボクセルに実施した。
• 再構成損失と潜在空間の正則化を適用し、構造的情報を保持する意味のある低次元表現を保証した。

実験結果

リサーチクエスチョン

• RQ1 CAEによる自己教師付き深層表現学習が、FreeSurferの手作業による特徴量と同等の診断性能を持つ脳MRI特徴量を生成できるか？
• RQ2 CAEベースの特徴量は、神経変性疾患および神経発達障害を含む複数の分類タスクにおいて、FreeSurfer特徴量と比較してどの程度の性能を示すか？
• RQ3 提案されたCAEモデルは、計算コストの高いFreeSurferのパイプラインと比較して、特徴抽出時間をどの程度短縮できるか？
• RQ4 9つの多様な神経画像データセットの統合により、学習された表現の頑健性と一般化性能が向上するか？
• RQ5 従来の解剖学的事前知識に依存しない手法として、異常な脳の形態に対しても学習された表現が一般化可能か？

主な発見

• CAE-3Dは、H-ADNI対ADのタスクでAUCROC 0.81、H-ABIDE対ASDのタスクでAUCROC 0.80を達成し、ロジスティック回帰を用いた場合、FreeSurferの性能と同等またはそれを上回った。
• CAE-jointとCAE-3Dは、ほとんどの分類タスクでCAE-stagedを上回り、特にCAE-3Dがデータセット全体にわたる一般化性能が最も優れていた。
• CAE-3Dを用いた特徴抽出は1スキャンあたりたったの0.45秒で完了したのに対し、FreeSurferのReconAllパイプラインは1スキャンあたり20〜47時間も要した。
• CAEベースの特徴量は、非常に低い再構成誤差で脳画像を再構成でき、潜在空間に高い情報保持度が確認された。
• H-ADNI対MCIタスクでは、ロジスティック回帰を用いたCAE-3DがAUCROC 0.76、ランダムフォレストを用いた場合は0.80を達成し、FreeSurferの0.77および0.81と非常に近い性能を示した。
• 本手法は、異常な脳構造を含む多様なデータセットに対しても頑健であり、固定された解剖学的事前知識に依存しないことを実証した。