[論文レビュー] Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks

Adrien Payan, Giovanni Montana|arXiv (Cornell University)|Feb 9, 2015

Dementia and Cognitive Impairment Research参考文献 7被引用数 400

ひとこと要約

本研究では、MRIスキャンからアルツハイマー病を予測するため、スパース自己符号化器による事前学習を施した3次元畳み込みニューラルネットワーク（3D-CNN）を提案する。この手法は、2次元畳み込みニューラルネットワーク（2D-CNN）や先行手法を上回り、全三次元空間的文脈を活用する。3D-CNNは3者分類（AD対MCI対HC）において89.47％の正解率を達成し、AD対MCI（86.84％）およびHC対MCI（92.11％）の比較で顕著な向上を示した。

ABSTRACT

Pattern recognition methods using neuroimaging data for the diagnosis of Alzheimer's disease have been the subject of extensive research in recent years. In this paper, we use deep learning methods, and in particular sparse autoencoders and 3D convolutional neural networks, to build an algorithm that can predict the disease status of a patient, based on an MRI scan of the brain. We report on experiments using the ADNI data set involving 2,265 historical scans. We demonstrate that 3D convolutional neural networks outperform several other classifiers reported in the literature and produce state-of-art results.

研究の動機と目的

• 構造的MRIスキャンを用いてアルツハイマー病の早期発見を向上させるためのディープラーニングフレームワークの開発。
• 3次元畳み込みニューラルネットワーク（3D-CNN）が、脳MRIデータ内の空間的パターンを捉える際に2次元対応手法を上回るかの評価。
• スパース自己符号化器と3D-CNNを組み合わせた2段階のディープラーニングパイプラインが、AD、MCI、健常対照群の分類において果たす性能の評価。
• 同じADNIデータセットを用い、一貫した評価プロトコルのもとで、提案手法を既存の最先端手法と比較すること。

提案手法

• 本手法は2段階のディープラーニングパイプラインを採用する：まず、スパース自己符号化器を3次元MRIパッチ上で学習させ、階層的特徴表現を学習する。
• スパース自己符号化器から得られたフィルタを、3D-CNNの最初の畳み込み層の初期化に用い、効果的な特徴抽出を可能にする。
• 3D-CNNは、全三次元MRIボリューム（68×95×79ボクセル）にわたって3次元畳み込みを適用し、 coronal および sagittal 平面を含む、軸方向、冠状方向、矢状方向の空間的文脈を保持する。
• 最適化には確率的勾配降下法を用い、検証セットの性能に基づく早期停止を適用する。学習には1,731スキャンのデータセットを用いた。
• モデルの評価は、228スキャンからなるホールドアウトテストセット上で実施され、複数の二値および多クラスタスクにおける分類正解率を指標に性能を測定した。
• 2D-CNNベースラインは、同じアーキテクチャを採用しているが、個々の軸方向スライスに2次元畳み込みを適用することで、2Dと3Dの特徴学習の直接比較を可能にした。

実験結果

リサーチクエスチョン

• RQ1 3次元畳み込みニューラルネットワーク（3D-CNN）は、MRIスキャンからアルツハイマー病、軽度認知障害（MCI）、健常対照群を分類する際に、2次元畳み込みニューラルネットワーク（2D-CNN）を上回るか？
• RQ2 スパース自己符号化器は、神経画像データにおける3D-CNNの特徴学習を効果的に事前学習可能か？
• RQ3 3次元解剖的パターンを捉える際、3次元畳み込みが2次元スライスベース処理に比べて、相対的にどの程度の性能向上をもたらすか？
• RQ4 ADNIデータセット上での分類正解率という観点から、本手法は既存の最先端手法と比較してどの程度優れているか？
• RQ5 3D-CNNは、早期診断にとって極めて重要なMCIとADの区別をどの程度改善するか？

主な発見

• 3D-CNNは3者分類タスク（AD対MCI対HC）において89.47％の正解率を達成し、2D-CNNの85.53％を顕著に上回った。
• AD対MCIの二値分類では、3D-CNNが86.84％の正解率を達成したのに対し、2D-CNNは82.24％にとどまり、早期病態への感受性が向上したことが示された。
• 健常対照群とMCI患者の区別において、3D-CNNは92.11％の正解率を達成した。これは2D-CNNの90.13％に比べ顕著な向上であった。
• AD対HCの分類においては、2Dおよび3Dモデルともに95.39％の正解率を示し、有意差は認められなかった。
• 3次元畳み込みの導入により、特にMCIとAD、MCIとHCの区別に有益な、脳内の局所的3次元構造的パターンの捉えが向上した。
• 結果から、自己符号化器による事前学習を施した3D-CNNは、文献に報告された既存の最先端手法と同等またはそれを上回ることが示された。特に多クラス分類およびMCI関連分類において顕著な優位性を示した。