[論文レビュー] Reproducible evaluation of diffusion MRI features for automatic classification of patients with Alzheimers disease

Junhao Wen, Jorge Samper‐Gonzàlez+9 more|arXiv (Cornell University)|Dec 28, 2018

Advanced Neuroimaging Techniques and Applications参考文献 37被引用数 9

ひとこと要約

本研究は、アルツハイマー病（AD）分類における拡散強調磁気共鳴画像（dMRI）特徴量の再現可能評価のためのフレームワークを提案する。BIDS準拠のデータ処理、標準化された前処理、および特徴抽出を統合しており、適切な特徴選択を施したボクセル単位のdMRI特徴量（FA、MD）が、正常対照（CN）対AD分類において最大0.82のバランス精度を達成することを示している。これはT1w MRIと同等の性能であり、性能推定値を誇張する可能性があるバリデーション設計の落とし穴も浮き彫りにしている。

ABSTRACT

Diffusion MRI is the modality of choice to study alterations of white matter. In past years, various works have used diffusion MRI for automatic classification of AD. However, classification performance obtained with different approaches is difficult to compare and these studies are also difficult to reproduce. In the present paper, we first extend a previously proposed framework to diffusion MRI data for AD classification. Specifically, we add: conversion of diffusion MRI ADNI data into the BIDS standard and pipelines for diffusion MRI preprocessing and feature extraction. We then apply the framework to compare different components. First, FS has a positive impact on classification results: highest balanced accuracy (BA) improved from 0.76 to 0.82 for task CN vs AD. Secondly, voxel-wise features generally gives better performance than regional features. Fractional anisotropy (FA) and mean diffusivity (MD) provided comparable results for voxel-wise features. Moreover, we observe that the poor performance obtained in tasks involving MCI were potentially caused by the small data samples, rather than by the data imbalance. Furthermore, no extensive classification difference exists for different degree of smoothing and registration methods. Besides, we demonstrate that using non-nested validation of FS leads to unreliable and over-optimistic results: 0.05 up to 0.40 relative increase in BA. Lastly, with proper FR and FS, the performance of diffusion MRI features is comparable to that of T1w MRI. All the code of the framework and the experiments are publicly available: general-purpose tools have been integrated into the Clinica software package (www.clinica.run) and the paper-specific code is available at: https://github.com/aramis-lab/AD-ML.

研究の動機と目的

• アルツハイマー病分類におけるdMRI特徴量の評価のための標準化・再現可能なパイプラインを確立すること。
• 臨床群（CN、AD、MCI）における異なるdMRI特徴量（ボクセル単位対領域単位、FA対MD）の性能を比較すること。
• 前処理ステップ、特徴選択、バリデーション戦略が分類精度に与える影響を調査すること。
• オープンソースでBIDS準拠のツールを提供することで、過去のdMRIベースのAD分類研究における再現性の問題を解決すること。
• MCI分類タスクにおける性能制限要因が、データの不均衡か小標本サイズのどちらに起因するかを評価すること。

提案手法

• フレームワークは、ADNIコhortのdMRIデータをBIDS形式に標準化し、一貫性のある処理を可能にする。
• モーショングリッド補正および磁気的不均一性補正、画像正規化を含む、dMRI前処理の自動化パイプラインを実装する。
• 標準的な拡散指標と空間的パラセレーションを用いて、ボクセル単位および領域単位のdMRI特徴量（FA、MD）を抽出する。
• 特徴選択（FS）と交差検証を適用する統一された機械学習パイプラインを構築し、ネストドおよびネストドでないバリデーションの明確な区別を実施する。
• バランス精度（BA）を用いて分類性能を評価し、前処理および特徴工学的選択の違いに応じた厳密な比較を実施する。
• すべてのコードおよび実験ワークフローは、再現性を確保するため、Clinicaソフトウェアパッケージおよび専用リポジトリを通じて公開される。

実験結果

リサーチクエスチョン

• RQ1 CN対AD患者の分類において、ボクセル単位のdMRI特徴量と領域単位のdMRI特徴量は、どのように比較されるか？
• RQ2 特徴選択が分類性能に与える影響は何か？ また、バリデーション戦略は信頼性にどのように影響するか？
• RQ3 過去の研究がMCI分類で低性能を報告した理由は何か？ それはデータの不均衡か小標本サイズに起因するのか？
• RQ4 スムージングおよびレジストレーション手法の違いが、分類結果にどのような影響を与えるか？
• RQ5 適切な前処理とバリデーションを用いる場合、dMRI特徴量はT1w MRIと同等の分類性能を達成できるか？

主な発見

• 特徴選択（FS）により、CN対AD分類タスクにおけるバランス精度が0.76から0.82に著しく向上した。
• ボクセル単位のdMRI特徴量が領域単位の特徴量を上回り、FAとMDは同等の性能を示した。
• MCI分類の性能が低かった主な要因は、小標本サイズに起因しており、データの不均衡ではなかった。
• スムージングやレジストレーション手法の違いに起因する性能差は顕著に認められなかった。
• ネストドでないバリデーションは、バランス精度を0.05～0.40の範囲で過剰に高める結果となり、楽観的な推定値を生じさせた。
• 適切な特徴選択とバリデーションを実施した場合、dMRI特徴量はT1w MRIと同等の分類性能を達成した。