[論文レビュー] Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks

L. Fisch, Jan Ernsting+34 more|arXiv (Cornell University)|Mar 22, 2021

Advanced Neural Network Applications参考文献 26被引用数 9

ひとこと要約

本研究では、非加工のT1強調MRIスキャンから直接脳年齢を予測する3次元ResNetベースの畳み込みニューラルネットワークを導入し、平均絶対誤差2.84年を達成した。これは、広範な前処理に依存する最先端のモデルを上回る性能であり、登録処理や前処理パイプラインへの依存を排除することで、異なるデータセットにおいてより高速で、より頑健かつ正確な脳年齢推定を可能にした。

ABSTRACT

Age prediction based on Magnetic Resonance Imaging (MRI) data of the brain is a biomarker to quantify the progress of brain diseases and aging. Current approaches rely on preparing the data with multiple preprocessing steps, such as registering voxels to a standardized brain atlas, which yields a significant computational overhead, hampers widespread usage and results in the predicted brain-age to be sensitive to preprocessing parameters. Here we describe a 3D Convolutional Neural Network (CNN) based on the ResNet architecture being trained on raw, non-registered T$_ 1$-weighted MRI data of N=10,691 samples from the German National Cohort and additionally applied and validated in N=2,173 samples from three independent studies using transfer learning. For comparison, state-of-the-art models using preprocessed neuroimaging data are trained and validated on the same samples. The 3D CNN using raw neuroimaging data predicts age with a mean average deviation of 2.84 years, outperforming the state-of-the-art brain-age models using preprocessed data. Since our approach is invariant to preprocessing software and parameter choices, it enables faster, more robust and more accurate brain-age modeling.

研究の動機と目的

• 画像登録などの計算コストの高い前処理手順（例：画像登録）を回避する脳年齢予測モデルの開発。
• 直接的に非加工MRIデータ上で学習することで、脳年齢推定の頑健性と一般化性能を向上させること。
• 前処理済み神経画像特徴に依存する既存手法と比較して、非加工データからのエンドツーエンド学習が優れた性能を示すかどうかを評価すること。
• 転移学習を用いて、複数の独立したデータセットでモデルの性能を検証すること。
• 前処理パrameterの選択に依存する感度を低減させ、再現性と臨床応用性を向上させること。

提案手法

• 非加工のT1強調MRIボリュームに対して、前処理を一切施さずにエンドツーエンドで学習する3次元残留ニューラルネットワーク（ResNet）アーキテクチャを採用。
• モデルはまず、ドイツ国立コhort研究から得た10,691例のT1強調MRIスキャンの大規模データセットで事前学習を行う。
• 同じアーキテクチャを用いて、3つの独立したデータセット（各217～760例）に対して転移学習を適用し、微調整を行う。
• ネットワークは3次元ボクセル強度から直接階層的な空間的特徴を学習し、加齢に伴う脳構造的パターンを捉える。
• モデル学習には、予測値と履歴的年齢とのずれを最小化するための平均絶対誤差（MAE）を損失関数として使用。
• 登録処理や正規化を入力前に実施しないため、スキャナのばらつきや前処理パイプラインに依存しない。

実験結果

リサーチクエスチョン

• RQ1 非加工のT1強調MRIデータから直接学習する深層3次元CNNは、前処理済みデータを用いるモデルと比較して、より優れた脳年齢予測精度を達成できるか？
• RQ2 空間正規化やバイアスフィールド補正などの前処理ステップを排除することで、データセット間でのモデルの頑健性と一般化性能が向上するか？
• RQ3 転移学習が、再訓練を一切行わずに独立したデータセットへの一般化をどの程度可能にするか？
• RQ4 モデルの性能は前処理パrameterの変動にどの程度敏感であり、これらのステップを省略した場合でも安定性を保てるか？
• RQ5 非加工データからのエンドツーエンド学習が、脳老化や神経変性疾患の進行をより信頼性の高いバイオマーカーとして提供できるか？

主な発見

• 3次元CNNはドイツ国立コhortデータセットにおいて、平均絶対誤差（MAE）2.84年を達成し、前処理済みデータを用いる最先端のモデルを上回った。
• 転移学習後、3つの独立したデータセットでも強力な一般化性能を示し、MAE値は2.78～3.01年の範囲に収まった。
• 前処理パrameterやソフトウェアに依存しないため、計算負荷を著しく低減し、再現性を高めた。
• 異なるスキャナや画像取得プロトコルに対しても性能が安定しており、画像変動に対する高い頑健性を示した。
• 非加工MRIデータからの直接学習が、従来の前処理依存パイプラインよりも、より正確で信頼性の高い脳年齢予測を可能にできることを確認した。
• 本研究は、前処理を施さずに非加工データを効果的に活用できるという事実を示し、より高速でスケーラブルな臨床応用を可能にする新しいベンチマークを確立した。