[論文レビュー] Multimodal and Multiscale Deep Neural Networks for the Early Diagnosis of Alzheimer's Disease using structural MR and FDG-PET images

Donghuan Lu, Karteek Popuri+3 more|arXiv (Cornell University)|Oct 13, 2017

Brain Tumor Detection and Classification参考文献 40被引用数 43

ひとこと要約

本研究では、構造的MRIとFDG-PET画像を統合することでアルツハイマー病の早期診断を向上させる、マルチモodalかつマルチスケールのディープニューラルネットワークを提案する。複数の空間スケールおよび画像モodalの特徴を活用することで、モデルは3年以内のアルツハイマー病への移行予測において85.68%の正確性を達成し、既存の手法を上回る性能を示した。

ABSTRACT

Alzheimer's Disease (AD) is a progressive neurodegenerative disease. Amnestic mild cognitive impairment (MCI) is a common first symptom before the conversion to clinical impairment where the individual becomes unable to perform activities of daily living independently. Although there is currently no treatment available, the earlier a conclusive diagnosis is made, the earlier the potential for interventions to delay or perhaps even prevent progression to full-blown AD. Neuroimaging scans acquired from MRI and metabolism images obtained by FDG-PET provide in-vivo view into the structure and function (glucose metabolism) of the living brain. It is hypothesized that combining different image modalities could better characterize the change of human brain and result in a more accuracy early diagnosis of AD. In this paper, we proposed a novel framework to discriminate normal control(NC) subjects from subjects with AD pathology (AD and NC, MCI subjects convert to AD in future). Our novel approach utilizing a multimodal and multiscale deep neural network was found to deliver a 85.68\% accuracy in the prediction of subjects within 3 years to conversion. Cross validation experiments proved that it has better discrimination ability compared with results in existing published literature.

研究の動機と目的

• 構造的MRIとFDG-PET画像データを統合することで、アルツハイマー病の早期診断を改善すること。
• 神経画像診断における限られたトレーニングデータの課題に対処するため、マルチスケール特徴抽出を採用すること。
• 解剖学的および代謝的脳情報のマルチモダリティ統合を通じて分類性能を向上させること。
• 軽度認知障害（MCI）を示す被験者について、臨床的診断の3年間前までにアルツハイマー病への移行を予測すること。
• マルチモダリティおよびマルチスケールのディープラーニング手法が、単一モダリティまたは単一スケールのアプローチよりも優れていることを評価すること。

提案手法

• フレームワークは、複数の解像度で局所的およびグローバルな特徴を捉えるために、MRIおよびFDG-PET画像を複数スケールのパッチ抽出処理する。
• MRIおよびFDG-PETからのマルチモダリティ特徴を連結し、統合的表現学習を実行するためのディープニューラルネットワークに供給する。
• スタックドオートエンコーダーを用いたディープニューラルネットワークを採用し、統合されたマルチスケール入力から階層的かつ非線形な特徴を学習する。
• コントロール（sNC）、前駆症状性MCI（pMCI）、症状性AD（sAD）被験者を含む複数のトレーニングセットで交差検証を実施する。
• 被験者をアルツハイマー病の病態移行群（pNC、pMCI、sAD）または非影響群（sNC）に分類するようにモデルをトレーニングし、正確性、感度、特異性を用いて性能を評価する。
• 臨床的診断の1年、2年、3年前に分類性能を評価することで、早期予測性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 構造的MRIとFDG-PETのマルチスケール特徴を統合するディープニューラルネットワークは、アルツハイマー病の病態の早期検出を向上させることができるか？
• RQ2 解剖学的（MRI）および代謝的（FDG-PET）画像モダリティを併用することで、単一モダリティのアプローチと比較して分類正確性が向上するか？
• RQ3 マルチスケール特徴抽出は、神経画像診断におけるAD予測のためのディープラーニングモデルの識別力向上に寄与するか？
• RQ4 本モデルは、画像撮影後3年以内にアルツハイマー病に移行する個体の予測正確性はどの程度か？
• RQ5 トレーニングデータの構成（例：pNCおよびpMCIの含む）が、リスクを有する個体を検出する能力に与える影響は何か？

主な発見

• 提案されたマルチモダリティかつマルチスケールのディープニューラルネットワークは、画像撮影後3年以内のアルツハイマー病への移行予測において85.68%の正確性を達成した。
• pNC、pMCI、sADの統合されたアルツハイマー病の病態移行群でトレーニングしたモデルは、sAD単体でトレーニングしたモデルを上回り、発症1年前の予測で90.08%の正確性を達成した。
• 3年予測の感度は85.68%、特異度は86.32%であり、リスクを有する個体を識別する能力が優れていることを示した。
• MRIとFDG-PETデータの統合により、単独で使用する場合よりも高い正確性が得られ、マルチモダリティ統合の利点が裏付けられた。
• 交差検証の結果、本手法が既存の発表済み手法よりも分類能力に優れていることが確認された。
• より多様なトレーニングデータ、特にpNCおよびpMCI被験者の含むデータの追加により、モデルの性能が向上した。これは、縦断的病態移行データが予測能力を強化することを示唆している。