[論文レビュー] Support vector machine classification of dimensionally reduced structural MRI images for dementia

Victoria A. Miller, S. Erlien+1 more|arXiv (Cornell University)|Jun 25, 2014

Brain Tumor Detection and Classification参考文献 8被引用数 4

ひとこと要約

本研究は、構造的MRIスキャンから次元削減された特徴量を用いたサポートベクターマシン（SVM）分類器を提案し、軽度〜中等度の認知症（CDR ≥ 1）を検出する。画像セグメンテーション、対称性指標、および主成分分析（PCA）を組み合わせて11の主要特徴量を抽出した結果、ガウス型RBFカーネルを用いた場合、テスト精度85.7%、マシュー相関係数0.616を達成し、OASIS-Brainsデータセットにおいて過学習を示さない堅牢な汎化性能を示した。

ABSTRACT

We classify very-mild to moderate dementia in patients (CDR ranging from 0 to 2) using a support vector machine classifier acting on dimensionally reduced feature set derived from MRI brain scans of the 416 subjects available in the OASIS-Brains dataset. We use image segmentation and principal component analysis to reduce the dimensionality of the data. Our resulting feature set contains 11 features for each subject. Performance of the classifiers is evaluated using 10-fold cross-validation. Using linear and (gaussian) kernels, we obtain a training classification accuracy of 86.4% (90.1%), test accuracy of 85.0% (85.7%), test precision of 68.7% (68.5%), test recall of 68.0% (74.0%), and test Matthews correlation coefficient of 0.594 (0.616).

研究の動機と目的

• 生 voxel に基づくSVMで一般的に見られる過学習を回避するため、高次元なMRIデータを次元削減することで、認知症分類における汎化性能を向上させること。
• 構造的MRIスキャンから得られる次元削減特徴量セットに対して、線形およびガウス型RBFカーネルSVMの性能を評価すること。
• PCAから得られる「エイジンブレイン」成分と解剖学的セグメンテーション特徴量が分類性能に与える寄与を評価すること。
• 年齢とPCA成分が、互いに独立して分類器の性能に重要であるかどうかを特定すること。

提案手法

• 本研究は、OASIS-Brainsデータセットに含まれる416名の被験者から得たT1強調MRIスキャンを用い、脳抽出、ゲインフィールド補正、Talairach空間への登録を前処理として実施した。
• 画像セグメンテーションを適用し、セグメンテッド画像からの二値マスクを用いて、白質、灰色 Matter、脳脊髄液（CSF）の総体積を算出した。
• 各スライスとその左右または上下反転版とのゼロラグ相互相関を用いて、軸方向スライスの対称性を定量化し、全信号で正規化した。
• 主成分分析（PCA）を冠状断面および軸方向画像スタックに対して個別に適用し、最初の主成分（エイジンブレイン）を特徴量として抽出した。
• 年齢、性別、全頭体積（eTIV）、nWBV、組織体積、対称性指標、PCA係数を含む合計11変数の組み合わせ特徴量セットを作成し、標準化した。
• 10分割交差検証を用いて、線形およびガウス型RBFカーネルSVMを訓練・評価し、精度、適合率、再現率、およびマシュー相関係数（MCC）を性能指標として用いた。

実験結果

リサーチクエスチョン

• RQ1 PCAおよびセグメンテーションによる次元削減は、MRIデータからの認知症分類におけるSVM分類器の汎化性能を向上させ得るか？
• RQ2 PCAから得られるエイジンブレイン成分を含めることで、解剖学的体積と対称性指標のみを用いた場合と比較して、分類器の性能がどのように変化するか？
• RQ3 分類器は主に年齢に依存しているのか、それとも他の特徴量が予測に有意に寄与しているのか？
• RQ4 この次元削減特徴量セットにおいて、線形およびガウス型RBFカーネルSVMの性能と頑健性は、どのように比較されるか？

主な発見

• ガウス型RBFカーネルを用いたSVMは、テスト精度85.7%を達成し、線形カーネル（85.0%）を上回った。マシュー相関係数（MCC）は0.616であった。
• ガウス型カーネルを用いた場合、適合率68.5%、再現率74.0%を達成し、陽性例に対する高い感受性を示した。
• PCA成分を除外した場合、MCCが0.07低下した。これは、エイジンブレイン特徴量が分類器性能を顕著に向上させることを示している。
• 年齢を特徴量セットから除外した場合、テスト精度は約2%低下した。これは、年齢が分類に有意に寄与しているが、唯一の要因ではないことを示している。
• ガウス型カーネルを用いた場合、訓練精度は90.1%であったが、テスト精度は85.7%で安定しており、高次元入力にもかかわらず深刻な過学習は認められなかった。
• 1視点あたり1つ以上のPCA成分を使用した場合、訓練精度は向上したが、テスト精度は向上しなかった。これは過学習を確認するものであり、結果として1視点あたり1つの成分のみを保持した。