[論文レビュー] Predicting Language Recovery after Stroke with Convolutional Networks on Stitched MRI

Yusuf Roohani, Noor Sajid+3 more|arXiv (Cornell University)|Nov 26, 2018

Acute Ischemic Stroke Management参考文献 13被引用数 3

ひとこと要約

本稿では、原始的なMRIスキャンのステッチ処理を施した2次元断層像を2次元畳み込みニューラルネットワーク（CNN）に取り込む、深層学習の新規アプローチを提案する。この手法は、専門家がアノテートした病変情報に依存しないが、言語機能の回復予測において、同様の性能を達成する。この方法は、病変データとは相補的な脳特徴を学習し、類縁マップにより、既知の言語ネットワークと整合する領域での活性化が確認された。

ABSTRACT

One third of stroke survivors have language difficulties. Emerging evidence suggests that their likelihood of recovery depends mainly on the damage to language centers. Thus previous research for predicting language recovery post-stroke has focused on identifying damaged regions of the brain. In this paper, we introduce a novel method where we only make use of stitched 2-dimensional cross-sections of raw MRI scans in a deep convolutional neural network setup to predict language recovery post-stroke. Our results show: a) the proposed model that only uses MRI scans has comparable performance to models that are dependent on lesion specific information; b) the features learned by our model are complementary to the lesion specific information and the combination of both appear to outperform previously reported results in similar settings. We further analyse the CNN model for understanding regions in brain that are responsible for arriving at these predictions using gradient based saliency maps. Our findings are in line with previous lesion studies.

研究の動機と目的

• 専門家がアノテートした病変データに依存せず、原始的なMRIスキャンにのみ依存して、脳卒中後の言語機能回復を予測する深層学習手法を開発すること。
• ステッチ処理を施した2次元MRIスライスから抽出した画像特徴が、病変特異的特徴を用いたモデルと同等またはそれ以上の性能を発揮するかどうかを評価すること。
• 勾配に基づく類縁マップを用いてモデルの予測を解釈し、その結果が言語の神経解剖学的基盤と整合しているかどうかを検証すること。
• CNNが学習した特徴と手動で抽出した白質・灰色 Matter 特徴との相関を評価し、表現品質を測定すること。

提案手法

• 3次元MRIスキャンの軸方向断層像を解剖学的順序に従って連結することで、ステッチ処理を施した2次元MRIスライスを作成し、被験者間での空間的対応関係を保持する。
• これらのステッチ処理済み画像を用いて、事前の病変セグメンテーションを必要としない2次元畳み込みニューラルネットワークを訓練し、階層的特徴を抽出する。
• 分類器として別個のフィードフォワードニューラルネットワークを用い、64次元のCNN埋め込み特徴と人口統計的データを入力として、言語機能回復の予測値（CAT言語画像記述スコア）を回帰する。
• 勾配に基づく類縁マップを生成し、予測に最も寄与する脳領域を可視化する。結果は3次元解剖学的平面にプロットされる。
• CNNが学習した特徴と手動でセグメンテーションされた白質・灰色 Matter 特徴との間で距離相関を計算し、表現の類似性を評価する。
• モデルはPLORASデータセットを用いて訓練および評価され、従来の病変ベースの手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ステッチ処理を施した2次元MRIスライスを用いて訓練された深層CNNが、専門家がアノテートした病変情報に依存するモデルと同等の性能で、脳卒中後の言語機能回復を予測できるか？
• RQ2 CNNが学習した特徴が病変特異的特徴と相補的であるか。その組み合わせにより予測精度が向上するか？
• RQ3 モデルが生成する類縁マップが、言語処理に関与すると知られている脳領域（例：右前頭前野）を明確に示すか？
• RQ4 CNNが学習した特徴と手動で抽出した白質・灰色 Matter 特徴との間で、表現品質の観点からどの程度相関が見られるか？

主な発見

• 画像特徴と人口統計的データを組み合わせた本モデルは、決定係数R²が0.75、ピアソン相関係数rが0.78を達成し、病変特異的特徴を用いた従来の最先端モデルを上回った。
• 専門家がアノテートした病変情報に依存しない、原始的なMRIデータのみを用いた本モデルの性能（R² = 0.56、r = 0.60）は、病変情報に依存するモデル（R² = 0.50、r = 0.50）と同等の性能を示した。
• 類縁マップにより、言語機能回復に関連するとされる右前頭前野領域に顕著な活性化が確認され、既存の神経画像研究と整合し、モデルの生物学的妥当性が裏付けられた。
• CNNが学習した特徴と手動でセグメンテーションされた白質・灰色 Matter 特徴との間の距離相関は0.7970であった。これは、強い表現的整合性を示している。
• CNNから得られる画像特徴と病変特異的情報の組み合わせは、単独で用いる場合よりも高い性能を示し、両者の相補性が確認された。