[論文レビュー] On the design of convolutional neural networks for automatic detection of Alzheimer's disease

Sheng Liu, Chhavi Yadav+2 more|arXiv (Cornell University)|Nov 9, 2019

Brain Tumor Detection and Classification被引用数 18

ひとこと要約

本論文は、構造的T1強調MRIスキャンを用いてアルツハイマー病（AD）を自動検出するための3次元畳み込みニューラルネットワーク（CNN）アーキテクチャを提案する。インスタンス正規化、早期のダウンサンプリングを回避するための小さなカーネルを有する初期層、広いネットワーク幅、および年齢埋め込みを活用している。本モデルはADNIデータセットにおいて、先行手法と比較して14%のテスト精度向上を達成し、独立したAIBLデータセットに対しても良好な汎化性能を示した。

ABSTRACT

Early detection is a crucial goal in the study of Alzheimer's Disease (AD). In this work, we describe several techniques to boost the performance of 3D deep convolutional neural networks (CNNs) trained to detect AD using structural brain MRI scans. Specifically, we provide evidence that (1) instance normalization outperforms batch normalization, (2) early spatial downsampling negatively affects performance, (3) widening the model brings consistent gains while increasing the depth does not, and (4) incorporating age information yields moderate improvement. Together, these insights yield an increment of approximately 14% in test accuracy over existing models when distinguishing between patients with AD, mild cognitive impairment, and controls in the ADNI dataset. Similar performance is achieved on an independent dataset.

研究の動機と目的

• 構造的脳MRIスキャンからの自動アルツハイマー病検出の精度を向上させること。
• 認知的に正常（CN）、軽度認知障害（MCI）、アルツハイマー病（AD）の患者を区別する際、既存のモデルが示す低い分類性能の課題に対処すること。
• 3クラスのMRI分類における3次元CNNの性能を向上させるアーキテクチャ設計要因を調査すること。
• データ漏洩のない独立したデータセット（AIBL）を用いた検証により、汎化性能を確保すること。
• 学習された特徴を可視化するためのサリエンシーマップ分析を通じて、モデルの解釈可能性に関する知見を提供すること。

提案手法

• 訓練の安定化と性能向上を図るために、バッチ正規化の代わりにインスタンス正規化を採用する。
• 空間的ダウンサンプリングを早期に回避するため、最初の層に小さなサイズの畳み込みカーネルを用いる。
• 層ごとのフィルタ数を多くすることでネットワークを広げつつ、深さの層数を比較的少なく保つことで表現力の向上を図る。
• 自然言語処理の手法にインspiredされた、患者の年齢を学習可能な埋め込みとして組み込む。
• 入力MRIボリュームに対する予測クラススコアの勾配の絶対値としてサリエンシーマップを計算し、学習された特徴を可視化する。
• データ漏洩を防ぐための慎重なデータ分割を施した上で、ADNIデータセットでモデルを訓練・評価し、独立したAIBLデータセットで検証する。

実験結果

リサーチクエスチョン

• RQ1 インスタンス正規化は、MRIデータに対する3次元CNNのAD分類において、バッチ正規化を上回る性能を示すか？
• RQ2 早期の空間的ダウンサンプリングは、構造的MRIからのAD検出における3次元CNNの性能にどのように影響するか？
• RQ3 ネットワークの幅を広げることと深さを増すことに、AD検出の分類精度に与える相対的影響は何か？
• RQ4 患者の年齢を連続的埋め込みとして組み込むことで、CN、MCI、ADの区別に向けたモデル性能が向上するか？
• RQ5 提案されたアーキテクチャは、独立した外部MRIデータセットに効果的に汎化できるか？

主な発見

• インスタンス正規化はバッチ正規化を上回り、3次元CNNにおけるAD検出のモデル安定性と精度を向上させる。
• 早期の空間的ダウンサンプリングは性能を著しく低下させ、小さなカーネルを有する初期層によりこれを回避することで一貫した性能向上が得られる。
• ネットワークの広がり（フィルタ数の増加）は一貫した性能向上をもたらすが、深さの増加にはそのような恩恵がない。
• 患者の年齢を埋め込み特徴として組み込むことで、分類精度に中程度だが明確な向上効果が得られる。
• ADNIデータセットにおいて、CN、MCI、ADを区別する際、本モデルは既存手法と比較して14%のテスト精度向上を達成した。
• 本モデルは独立したAIBLデータセットに対しても効果的に汎化し、年齢情報を利用しない状態でも63.6%の精度を達成した。これは、強力な特徴学習が行われていることを確認するものである。