[論文レビュー] Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification

Sergey Korolev, Amir Safiullin+2 more|arXiv (Cornell University)|Jan 23, 2017

Medical Image Segmentation Techniques参考文献 9被引用数 21

ひとこと要約

本稿では、ADNIデータセットの3次元脳MRIスキャンをアルツハイマー病（AD）、軽度認知障害（MCI）、正常対照群に分類するためのエンドツーエンド3次元畳み込みニューラルネットワーク（VoxCNNと残差接続付きResNetアーキテクチャ）を提案する。これらのモデルは、手動で特徴量を抽出する必要なく、競争力ある性能（AD対NCのAUC最高0.88）を達成しており、小規模な神経画像データセットでも精度を維持しながら、パイプラインを簡素化している。

ABSTRACT

In the recent years there have been a number of studies that applied deep learning algorithms to neuroimaging data. Pipelines used in those studies mostly require multiple processing steps for feature extraction, although modern advancements in deep learning for image classification can provide a powerful framework for automatic feature generation and more straightforward analysis. In this paper, we show how similar performance can be achieved skipping these feature extraction steps with the residual and plain 3D convolutional neural network architectures. We demonstrate the performance of the proposed approach for classification of Alzheimer's disease versus mild cognitive impairment and normal controls on the Alzheimer's Disease National Initiative (ADNI) dataset of 3D structural MRI brain scans.

研究の動機と目的

• マルチステップの特徴抽出を排除することで、神経画像分類パイプラインを簡素化すること。
• 平滑な3次元CNNと残差接続付き3次元CNNが、ADNIのような小規模な3次元MRIデータセットにおいて強力な性能を発揮できるかを評価すること。
• エンドツーエンド3次元CNNの性能を、AD、MCI、正常対照群の分類において、従来のマルチステップ手法と比較すること。
• 未処理または最小限に前処理されたMRIデータに対して、3次元CNNのロバスト性と一般化性能を調査すること。

提案手法

• 4つのボリュメトリック畳み込みブロック、バッチ正則化、ドロップアウト、ソフトマックス出力層を備えた3次元VGG風アーキテクチャ（VoxCNN）を採用した。
• 勾配消失を軽減するためのスキップ接続を備えた残差3次元CNN（ResNet）を実装した。
• 学習率27×10⁻⁶、バッチサイズ5で150エポック、Adam最適化手法を用いてモデルを学習させた。
• 学習の安定化とクラス不均衡の影響を防ぐために、クラスバランスをとったミニバッチを用いた。
• 一般化性能の向上を図るため、ランダムクロッピングと正規化によるデータ拡張を適用した。
• オクルージョン解析を用いて、ネットワークが脳領域に注目している様子を可視化するためのクラスアクティベーションマップを生成した。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンド3次元畳み込みニューラルネットワークは、手動の特徴抽出なしに、3次元脳MRIデータに対して競争力ある分類性能を達成できるか？
• RQ2 平滑な3次元CNNと残差接続付き3次元CNNは、ADNIのような小規模な神経画像データセットにおいて、性能に差を示すか？
• RQ3 3次元CNNは、海馬や脳室といったアルツハイマー病で影響を受ける生物学的に関連のある脳領域に注目できるか、注目マップによって裏付けられるか？
• RQ4 残差接続の使用は、小規模なMRIデータセットにおいて学習の安定性と性能を向上させるか？

主な発見

• VoxCNNとResNetモデルは、AD対NCの分類においてAUC 0.88 ± 0.08、正答率 0.80 ± 0.07を達成し、重要な二値分類タスクにおいて強力な性能を示した。
• AD対早期MCI（EMCI）や後期MCI（LMCI）の分類においては、低いが安定した性能（AUC ~0.62–0.67）を示し、ADと中間段階のMCIを区別することが難しいことが示された。
• ほとんどのタスクにおいてResNetモデルがVoxCNNをわずかに上回り、AD対NCではAUC 0.87 ± 0.07、AD対EMCIではAUC 0.67 ± 0.13を達成した。
• 注目マップにより、ネットワークがアルツハイマー病で影響を受ける典型的な領域（海馬、脳室）に注目していることが確認され、生物学的妥当性が裏付けられた。
• 学習曲線から、約50エポックまで一貫した改善が見られ、その後は性能が安定化した（収束を示唆）。
• 頭蓋骨除去やパッチ抽出といった前処理ステップを一切必要とせず、従来の複雑なパイプラインと同等の結果を達成した。