[論文レビュー] sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer's disease diagnosis and discriminative atrophy localisation with Structural MRI

Xin Zhang, Liangxiu Han+4 more|arXiv (Cornell University)|Feb 17, 2023

Functional Brain Connectivity StudiesNeuroscience参考文献 90被引用数 3

ひとこと要約

本論文では、構造的MRIを用いたアルツハイマー病（AD）の診断および萎縮部位の局在化を目的とした、説明可能なパッチベースの深層学習フレームワーク、sMRI-PatchNetを提案する。SHAPに基づくパッチ選択を用いて特徴的な脳領域を同定し、位置埋め込みを備えた2次元畳み込みニューラルネットワーク（2D CNN）を用いてADの分類およびMCIの転帰予測を高精度かつ低計算コストで実現する。

ABSTRACT

Structural magnetic resonance imaging (sMRI) can identify subtle brain changes due to its high contrast for soft tissues and high spatial resolution. It has been widely used in diagnosing neurological brain diseases, such as Alzheimer disease (AD). However, the size of 3D high-resolution data poses a significant challenge for data analysis and processing. Since only a few areas of the brain show structural changes highly associated with AD, the patch-based methods dividing the whole image data into several small regular patches have shown promising for more efficient sMRI-based image analysis. The major challenges of the patch-based methods on sMRI include identifying the discriminative patches, combining features from the discrete discriminative patches, and designing appropriate classifiers. This work proposes a novel patch-based deep learning network (sMRI-PatchNet) with explainable patch localisation and selection for AD diagnosis using sMRI. Specifically, it consists of two primary components: 1) A fast and efficient explainable patch selection mechanism for determining the most discriminative patches based on computing the SHapley Additive exPlanations (SHAP) contribution to a transfer learning model for AD diagnosis on massive medical data; and 2) A novel patch-based network for extracting deep features and AD classfication from the selected patches with position embeddings to retain position information, capable of capturing the global and local information of inter- and intra-patches. This method has been applied for the AD classification and the prediction of the transitional state moderate cognitive impairment (MCI) conversion with real datasets.

研究の動機と目的

• アルツハイマー病の診断における高次元3次元sMRIデータの計算複雑性を低減するため、パッチベースの解析によって計算コストを削減すること。
• 固定されたROIに基づく手法やボクセル単位の手法に起因する制限を克服し、病理的変化を示す脳領域を自動的かつデータ駆動的に同定できること。
• SHAP値を用いてAD診断に最も関連するパッチを特定する説明可能なパッチ選択メカニズムの開発。
• 空間的文脈を保持しつつ、最小限のパラメータ数と計算量で高い分類性能を達成する軽量で効率的な深層学習モデルの設計。
• 全脳範囲で特徴的な萎縮パターンを局在化させることで、一般化性能と臨床的解釈可能性を向上させること。

提案手法

• SHAP値を効率的に推定するための高速な再帰的分割パリュレーション手法を用い、全sMRIボリュームから特徴的な3次元パッチを説明可能な方法で選択する。
• 提案されたsMRI-PatchNetは、選択されたパッチ間の空間的関係を保持するため、学習可能な位置埋め込みを備えた2次元畳み込みニューラルネットワーク（2D CNN）を採用する。
• 選択されたパッチから深層特徴を抽出し、転移学習を用いてAD対NCおよびpMCI対sMCIのエンドツーエンド分類を実行する。
• パッチ選択は、事前に訓練された転移学習モデルからのSHAP寄与スコアに基づき、最終分類に使用されるのは最も関連性の高いパッチのみとなる。
• 事前に定義された解剖的ROIや手作業で設計された特徴量に依存せず、病理的領域のデータ駆動的同定を可能にする。
• 3次元畳み込みではなく2次元畳み込みを用いることで計算効率を確保し、計算複雑度を2.21 GMacに低減する。

Figure 1: The flowchart of the proposed method

実験結果

リサーチクエスチョン

• RQ1 説明可能なパッチ選択を備えたパッチベースの深層学習フレームワークは、sMRIを用いたAD診断において、最先端の手法を上回る性能を示すか？
• RQ2 SHAPに基づくパッチ選択は、AD関連およびMCI転帰に関連する特徴的な脳領域を効果的に同定し、使用するパッチ数を削減できるか？
• RQ3 2次元CNNに位置埋め込みを統合することで、標準的なパッチベースモデルと比較して空間的文脈を適切に保持し、分類性能を向上させられるか？
• RQ4 提案手法は、3次元CNNベースのモデルと比較して、顕著に低い計算複雑度で高い精度を達成できるか？
• RQ5 モデルは独立したデータセットに広く一般化可能であり、萎縮パターンの臨床的解釈可能な局在化をどの程度実現できるか？

主な発見

• 提案手法は、アルツハイマー病対正常対照（AD対NC）の分類において92%の精度を達成し、5つの最先端手法をすべて上回った。
• 前駆症状性MCIから軽度MCIへの進行予測において86%の精度を示し、早期疾患段階の予測性能が優れていた。
• SHAPに基づく手法により、わずか36個の特徴的パッチが選択され、統計的手法（140パッチ）と比較して70%以上のパッチ数削減が達成され、計算コストの大幅な低減が実現した。
• sMRI-PatchNetの計算複雑度は2.21 GMacであり、パラメータ数が同程度のMed3D（169.55 GMac）、HFCN（240.73 GMac）、DA-MIDL（220.63 GMac）と比較して顕著に低かった。
• 選択されたパッチの可視化により、海馬や後頭中縁回などの既知の萎縮領域が的確に局在化されていることが確認され、臨床的解釈可能性が向上した。
• 少ないパッチ使用量でも、過学習を示さず、独立したデータセットにおいても高い性能を維持する強力な一般化性能を示した。

Figure 2: The flowchart of the fast recursive partition XAI method