[論文レビュー] Learning Deep Convolutional Features for MRI Based Alzheimer's Disease Classification

Fayao Liu, Chunhua Shen|arXiv (Cornell University)|Apr 13, 2014

Brain Tumor Detection and Classification参考文献 22被引用数 25

ひとこと要約

本論文は、手動による領域の注釈（ROI）を回避するために、事前学習済み畳み込みニューラルネットワーク（CNN）を用いて、生のMRIスキャンからアルツハイマー病（AD）および軽度認知障害（MCI）を分類する深層学習アプローチを提案する。自己教師ありおよび教師ありの特徴学習を活用することで、特徴抽出を自動化し、高い分類精度を達成する。

ABSTRACT

Effective and accurate diagnosis of Alzheimer's disease (AD) or mild cognitive impairment (MCI) can be critical for early treatment and thus has attracted more and more attention nowadays. Since first introduced, machine learning methods have been gaining increasing popularity for AD related research. Among the various identified biomarkers, magnetic resonance imaging (MRI) are widely used for the prediction of AD or MCI. However, before a machine learning algorithm can be applied, image features need to be extracted to represent the MRI images. While good representations can be pivotal to the classification performance, almost all the previous studies typically rely on human labelling to find the regions of interest (ROI) which may be correlated to AD, such as hippocampus, amygdala, precuneus, etc. This procedure requires domain knowledge and is costly and tedious. Instead of relying on extraction of ROI features, it is more promising to remove manual ROI labelling from the pipeline and directly work on the raw MRI images. In other words, we can let the machine learning methods to figure out these informative and discriminative image structures for AD classification. In this work, we propose to learn deep convolutional image features using unsupervised and supervised learning. Deep learning has emerged as a powerful tool in the machine learning community and has been successfully applied to various tasks. We thus propose to exploit deep features of MRI images based on a pre-trained large convolutional neural network (CNN) for AD and MCI classification, which spares the effort of manual ROI annotation process.

研究の動機と目的

• MRIベースのADおよびMCI分類における、手動によるドメイン知識依存のROIラベリングの必要性を排除すること。
• 生のMRI画像に対して深層畳み込みニューラルネットワークを用いて、自動特徴抽出パイプラインを構築すること。
• 人為的に定義された領域を用いず、MRIデータから直接判別可能な特徴を学習することで、分類性能を向上させること。
• 神経画像診断における深層特徴学習に向けた、自己教師ありおよび教師ありの事前学習戦略の有効性を評価すること。
• エンドツーエンドの深層学習が、手作業で特徴を設計する伝統的手法を上回ることを実証すること。

提案手法

• 生のT1強調MRIスキャンから深層畳み込み特徴を抽出するために、事前学習済みの大規模な畳み込みニューラルネットワーク（CNN）を用いる。
• AD/MCI MRIデータセット上で事前学習済みCNNを微調整することで、特徴を特定の分類タスクに適応させるトランスファー学習を適用する。
• 階層的で判別性の高い特徴を学習するために、自己教師あり事前学習（例：オートエンコーダー風の初期化）と教師あり微調整の両方を活用する。
• CNNの最終全結合層の特徴を、AD/MCI予測のための下流分類器（例：SVMやロジスティック回帰）の入力として使用する。
• バックプロパゲーションとエンドツーエンド学習を通じて、ネットワークが空間的に意味のある特徴を学習できるようにすることで、手動によるROI選定を回避する。
• 深層CNNの階層的表現学習能力を活かし、脳MRIにおける局所的およびグローバルな構造的パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 生のMRIスキャンから学習した深層畳み込み特徴は、従来の手作業によるROIベースの特徴を上回る性能を示すか？
• RQ2 自己教師あり事前学習は、神経変性疾患分類における深層特徴の性能をどの程度向上させるか？
• RQ3 事前学習済みCNNをMRIデータ上で効果的に微調整することで、膨大な再訓練を伴わず高精度を達成できるか？
• RQ4 エンドツーエンドの深層学習は、MRIベースのAD分類において、専門家が定義した解剖的領域の必要性を排除できるか？
• RQ5 学習された特徴は、異なる脳領域および疾患ステージにおいて、どの程度判別力の高いものとなるか？

主な発見

• 提案された深層学習アプローチは、手動で注釈されたROIに依存する従来手法よりも高い分類精度を達成した。
• MRIデータ上で事前学習済みCNNを微調整することで、ADおよびMCI分類のための特徴表現が顕著に向上した。
• ドメイン固有のROI注釈を必要とせず、生のMRIから判別性の高い特徴を学習した。
• 自己教師あり事前学習は、限られたMRIデータセットにおいても一般化性能を向上させ、性能向上に寄与した。
• CNNが学習した深層特徴は、ADおよびMCIを予測するのに有用な脳の複雑な構造的パターンを捉えていた。
• 本手法は、さまざまなMRI取得プロトコルおよびデータセットにおいて、頑健性とスケーラビリティを示した。