[論文レビュー] MRI-based Multi-task Decoupling Learning for Alzheimer's Disease Detection and MMSE Score Prediction: A Multi-site Validation

Xu Tian, Jin Liu+4 more|arXiv (Cornell University)|Apr 2, 2022

Brain Tumor Detection and Classification被引用数 4

ひとこと要約

本稿では、共有特徴表現を介して3つのマルチタスク相互作用層と特徴分解および一貫性損失を用いることで一般化を向上させる、アルツハイマー病検出およびMMSEスコア予測のためのMRIベースのマルチタスク分離学習フレームワークを提案する。この手法は、マルチサイトMRIデータセットにおいて、単一タスクおよび既存の最先端手法を上回る性能を発揮する。

ABSTRACT

Accurately detecting Alzheimer's disease (AD) and predicting mini-mental state examination (MMSE) score are important tasks in elderly health by magnetic resonance imaging (MRI). Most of the previous methods on these two tasks are based on single-task learning and rarely consider the correlation between them. Since the MMSE score, which is an important basis for AD diagnosis, can also reflect the progress of cognitive impairment, some studies have begun to apply multi-task learning methods to these two tasks. However, how to exploit feature correlation remains a challenging problem for these methods. To comprehensively address this challenge, we propose a MRI-based multi-task decoupled learning method for AD detection and MMSE score prediction. First, a multi-task learning network is proposed to implement AD detection and MMSE score prediction, which exploits feature correlation by adding three multi-task interaction layers between the backbones of the two tasks. Each multi-task interaction layer contains two feature decoupling modules and one feature interaction module. Furthermore, to enhance the generalization between tasks of the features selected by the feature decoupling module, we propose the feature consistency loss constrained feature decoupling module. Finally, in order to exploit the specific distribution information of MMSE score in different groups, a distribution loss is proposed to further enhance the model performance. We evaluate our proposed method on multi-site datasets. Experimental results show that our proposed multi-task decoupled representation learning method achieves good performance, outperforming single-task learning and other existing state-of-the-art methods.

研究の動機と目的

• 既存のMRIベースの手法におけるアルツハイマー病検出とMMSEスコア予測の間の相関関係の活用が限定的であるという問題に取り組む。
• 一貫性損失を用いて共有特徴とタスク固有特徴を明示的に分離することで、モデルの一般化性能を向上させる。
• 認知機能低下の異なるグループにおけるMMSEスコアの分布をモデル化することで、予測性能を向上させる。
• マルチサイトMRIデータセットを用いて手法の妥当性を検証し、耐障害性および臨床応用可能性を確保する。

提案手法

• AD検出とMMSE予測の両タスクに共通のバックボーンを持つマルチタスク学習ネットワークを設計し、3つのマルチタスク相互作用層で接続する。
• 各マルチタスク相互作用層には、2つの特徴分解モジュールと1つの特徴相互作用モジュールが含まれ、タスク間の依存関係をモデル化する。
• 分離された特徴を正則化するための特徴一貫性損失を導入し、タスク間での一般化を向上させる。
• グループ固有のMMSEスコア分布を捉えるために分布損失を提案し、回帰精度を向上させる。
• ドメインシフトに強いよう、マルチサイトMRIデータセット上でエンドツーエンドにモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 共同でのAD検出とMMSE予測の性能向上に寄与するため、共有特徴とタスク固有特徴を効果的に分離する方法は何か？
• RQ2 マルチサイトMRI環境下で、タスク間の一貫性を強制することで、モデルの一般化性能はどの程度向上するか？
• RQ3 認知機能障害のグループごとのMMSEスコア分布をモデル化することで、さらに予測性能を向上させられるか？
• RQ4 本手法は、マルチサイトデータにおいて、単一タスク学習および既存の最先端マルチタスクアプローチと比較して、どのように優れているか？

主な発見

• 提案されたマルチタスク分離学習手法は、AD検出およびMMSEスコア予測の両タスクにおいて、単一タスク学習を上回る優れた性能を達成した。
• 特徴一貫性損失の導入により、タスク間での共有表現の一般化性能が向上した。
• 分布損失の導入により、認知機能低下のグループごとのばらつきを捉えることができ、MMSEスコア予測の精度が顕著に向上した。
• 本モデルは、複数の独立したマルチサイトMRIデータセットにおいて、強力な耐障害性および一般化性能を示した。