[論文レビュー] Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment

Yu Wen, Baiying Lei+4 more|arXiv (Cornell University)|Aug 3, 2020

Advanced Neuroimaging Techniques and Applications参考文献 39被引用数 5

ひとこと要約

本稿では、T1-MRI画像を用いたアルツハイマー病（AD）および軽度認知障害（MCI）分類のため、テンソル・トレース分解と高次ポーリングを組み合わせた新規の半教師ありGAN、THS-GANを提案する。三者協力型ゲームフレームワーク、テンソル・トレース層、および高次ポーリングによる2次統計の活用により、THS-GANは最先端の性能を達成し、MCI対NCではAUC 88.72%、AD対MCIでは85.35%を記録。従来手法を上回る性能を発揮するとともに、パラメータ数を削減し、構造的特徴抽出を強化した。

ABSTRACT

It is of great significance to apply deep learning for the early diagnosis of Alzheimer's Disease (AD). In this work, a novel tensorizing GAN with high-order pooling is proposed to assess Mild Cognitive Impairment (MCI) and AD. By tensorizing a three-player cooperative game based framework, the proposed model can benefit from the structural information of the brain. By incorporating the high-order pooling scheme into the classifier, the proposed model can make full use of the second-order statistics of the holistic Magnetic Resonance Imaging (MRI) images. To the best of our knowledge, the proposed Tensor-train, High-pooling and Semi-supervised learning based GAN (THS-GAN) is the first work to deal with classification on MRI images for AD diagnosis. Extensive experimental results on Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset are reported to demonstrate that the proposed THS-GAN achieves superior performance compared with existing methods, and to show that both tensor-train and high-order pooling can enhance classification performance. The visualization of generated samples also shows that the proposed model can generate plausible samples for semi-supervised learning purpose.

研究の動機と目的

• アルツハイマー病診断におけるラベル付きMRIデータの不足に取り組むために、半教師あり学習を活用し、ラベル付きおよびラベルなしデータを統合する。
• GANアーキテクチャ内でのテンソル・トレース分解を用いることで、脳の構造的情報を活用し、分類性能を向上させる。
• 高次ポーリングを用いて全脳MRI画像の2次統計を活用することで、特徴表現を強化する。
• テンソル化、高次ポーリング、半教師ありGAN学習を統合した包括的フレームワークを構築し、エンド・トゥ・エンドでのAD/MCI評価を実現する。

提案手法

• 提案されたTHS-GANは、標準的な二者協力型GANに代わり、生成器、識別器、補助分類器の三者協力型ゲームフレームワークを採用し、学習の安定化と一般化性能の向上を図る。
• すべての層（畳み込み層および全結合層を含む）にテンソル・トレース分解を適用することで、モデルのパラメータ数を削減し、MRIデータ内の空間的および構造的関係を保持する。
• 分類器に高次ポーリングを統合し、全MRI画像全体の2次統計を捉えることで、1次ポーリングに比べてより強固で包括的な特徴抽出を実現する。
• ラベル付きおよびラベルなしMRIデータを同時に学習する半教師あり学習を実装し、ラベル付きサンプルに対して adversarial loss と cross-entropy loss を併用する。
• ADNIデータセット上でエンド・トゥ・エンドにモデルを学習し、標準正規分布から抽出された潜在ベクトルを用いて合成MRI画像を生成する。
• 生成されたMRIスライスの可視化により、モデルが訓練経過に応じてより現実的で詳細な脳構造（例：回溝、 gyri）を学習していることが確認された。

実験結果

リサーチクエスチョン

• RQ1 テンソル・トレース分解は、アルツハイマー病およびMCIのMRI画像分類におけるGANの性能と効率を向上させることができるか？
• RQ2 全脳MRI画像の2次統計を捉える高次ポーリングは、従来のポーリングに比べてAD分類におけるより優れた特徴表現を実現するか？
• RQ3 三者協力型GANフレームワークは、標準的な二者協力型GANと比較して、半教師ありMRI分類における学習の安定性と分類精度を向上させることができるか？
• RQ4 テンソル・トレースと高次ポーリングの統合は、限られたラベル付きMRIデータにおける一般化性能をどの程度向上させるか？
• RQ5 GANから生成されたMRIサンプルは、AD診断の半教師あり学習におけるデータ拡張に効果的に利用できるか？

主な発見

• MCI対NC分類において、THS-GANはAUC 88.72%を達成し、SS-GAN（71.15%）およびPlocharskiら（84.00% AUC）を著しく上回った。
• AD対MCI分類では、THS-GANがAUC 85.35%を記録したが、SS-GANは収束せず、わずか50%のAUCに留まった。
• AD対NC分類では、THS-GANがAUC 95.92%を達成し、Cuiらが報告した最高水準の93.22%を上回り、優れた一般化性能を示した。
• テンソル・トレース分解によりパラメータ数を削減しながらも、性能を維持または向上させたため、パラメータ効率が向上したことが示された。
• 生成されたMRIスライスの可視化により、THS-GANが訓練経過に応じて、徐々に現実的で洗練された脳構造（例：回溝、 gyri）を生成していることが確認され、意味のある解剖学的特徴を学習していることが裏付けられた。
• アブレーションスタディにより、テンソル・トレース分解と高次ポーリングの両者が個別に性能向上に寄与しており、併用した場合に最も優れた結果が得られた。