[論文レビュー] Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis

Shaojie Li, Haichen Qu+4 more|arXiv (Cornell University)|Mar 24, 2024

Brain Tumor Detection and Classification被引用数 9

ひとこと要約

MRIデータを用いた事前学習済みのXceptionベースのCNNを使用し、4クラスのアルツハイマー MRI等級で99.6%の精度を達成。カテゴリ全体で高い精度、再現率、F1を示す。

ABSTRACT

Exploring the application of deep learning technologies in the field of medical diagnostics, Magnetic Resonance Imaging (MRI) provides a unique perspective for observing and diagnosing complex neurodegenerative diseases such as Alzheimer Disease (AD). With advancements in deep learning, particularly in Convolutional Neural Networks (CNNs) and the Xception network architecture, we are now able to analyze and classify vast amounts of MRI data with unprecedented accuracy. The progress of this technology not only enhances our understanding of brain structural changes but also opens up new avenues for monitoring disease progression through non-invasive means and potentially allows for precise diagnosis in the early stages of the disease. This study aims to classify MRI images using deep learning models to identify different stages of Alzheimer Disease through a series of innovative data processing and model construction steps. Our experimental results show that the deep learning framework based on the Xception model achieved a 99.6% accuracy rate in the multi-class MRI image classification task, demonstrating its potential application value in assistive diagnosis. Future research will focus on expanding the dataset, improving model interpretability, and clinical validation to further promote the application of deep learning technology in the medical field, with the hope of bringing earlier diagnosis and more personalized treatment plans to Alzheimer Disease patients.

研究の動機と目的

• 深層学習フレームワークがMRI画像をアルツハイマー病のステージカテゴリに正確に分類できるかを検討する。
• 分類性能を向上させるためにXceptionアーキテクチャを特徴量抽出器として活用する。
• データ増強、正則化、および転移学習技術を通じてモデルの頑健性を評価する。

提案手法

• 事前学習済みのXceptionを特徴量抽出器として使用するカスタムCNNを構築する（include_top=False、pooling='max'）。
• Flatten、2つのDropout層（0.3および0.25）、ReLUを用いた128ニューロンのDense層、4クラス用のsoftmax出力を追加する。
• データ増強、Adamオプティマイザー、categorical_crossentropy損失で訓練する。
• Early stoppingとモデルチェックポイントを使用する；評価指標としてprecision、recall、F1スコアを用いる。

実験結果

リサーチクエスチョン

• RQ1 Xceptionベースのアーキテクチャは多クラスのMRIアルツハイマー病のステージ分類で高い精度を達成できるか？
• RQ2 転移学習とデータ増強がMRIベースのAD分類性能に与える影響はどの程度か？
• RQ3 モデルは認知症ステージ間で精度と再現率をどれだけバランス良く保てるか？

主な発見

• モデルはテストセットで全体の精度99.6%を達成する。
• 各クラスの精度と再現率は、Mild DementedおよびModerate Dementedクラスで1.00、Non DementedおよびVery Mild Dementedクラスで0.99である。
• F1スコアはMild DementedとModerate Dementedが1.00、Non DementedとVery Mild Dementedが0.99である。
• 表1はクラス別の精度、再現率、F1スコア、サポート値を示す（Mild Demented: 2693; Moderate Demented: 1977; Non Demented: 2811; Very Mild Demented: 2715）。
• 指標のマクロ平均および加重平均はほぼ1に近く、クラス間のバランスのとれた性能を示している。