[論文レビュー] Towards Alzheimer's Disease Classification through Transfer Learning

Marcia Hon, Naimul Khan|arXiv (Cornell University)|Nov 29, 2017

Brain Tumor Detection and Classification被引用数 21

ひとこと要約

本論文は、アルツハイマー病（AD）分類のためのMRIデータに対して、事前学習済みのVGG16およびInception V4モデルを用いた転移学習アプローチを提案する。画像エントロピーを用いて訓練に最も有用なスライスを選択することで、わずか5,120枚の訓練画像での96.25％の正確性を達成し、従来の深層学習手法と比較して訓練データセットがほぼ10倍も少ない状況で最先端の性能を示した。

ABSTRACT

Detection of Alzheimer's Disease (AD) from neuroimaging data such as MRI through machine learning have been a subject of intense research in recent years. Recent success of deep learning in computer vision have progressed such research further. However, common limitations with such algorithms are reliance on a large number of training images, and requirement of careful optimization of the architecture of deep networks. In this paper, we attempt solving these issues with transfer learning, where state-of-the-art architectures such as VGG and Inception are initialized with pre-trained weights from large benchmark datasets consisting of natural images, and the fully-connected layer is re-trained with only a small number of MRI images. We employ image entropy to select the most informative slices for training. Through experimentation on the OASIS MRI dataset, we show that with training size almost 10 times smaller than the state-of-the-art, we reach comparable or even better performance than current deep-learning based methods.

研究の動機と目的

• アルツハイマー病分類における注釈付きMRIデータの不足という課題に対処すること。
• 大規模で高価かつ入手が困難な医療用訓練データセットへの依存を減らすこと。
• 転移学習と知的なデータ選択を用いて、小規模な医療画像データセットにおける深層学習の性能を向上させること。
• 自然画像データセットから事前学習されたモデルが、脳MRIに対してアルツハイマー病検出に有効に一般化できるかどうかを評価すること。
• 最小限のハイパーパrameterチューニングと低い計算コストで高い正確性を達成できるかどうかを示すこと。

提案手法

• ImageNetの重みを用いて、小規模なMRIデータセット上で事前学習済みのVGG16およびInception V4モデルを微調整すること。
• 画像エントロピーを用いて、訓練セットに情報量を最大化する最も有用なMRIスライスを選択すること。
• 畳み込み特徴抽出器を凍結したまま、畳み込みニューラルネットワーク（CNN）の全結合層のみを訓練すること。
• モデルの頑健性と一般化性能を評価するために5分割交差検証を実施すること。
• OASISデータセット（200名の被験者から得られた6,400枚のMRIスライス）を用い、事前処理および正規化済み。
• Adam最適化子とカテゴリカル交差エントロピー損失を用いた標準的な深層学習訓練プロトコルを採用すること。

実験結果

リサーチクエスチョン

• RQ1 事前学習済みのImageNetモデルを用いた転移学習は、小規模なMRIデータセットを用いてもアルツハイマー病分類で高い正確性を達成できるか？
• RQ2 ランダムサンプリングと比較して、エントロピーに基づくMRIスライス選択はモデル性能を向上させるか？
• RQ3 同じ小規模なデータセット上で、転移学習の性能は、初期学習から訓練する方法と比べてどう異なるか？
• RQ4 知的な選択による小規模な訓練セットは、従来の深層学習手法で用いられたより大きなデータセットを上回る性能を発揮できるか？
• RQ5 限られたデータ下で転移学習を適用する際、アーキテクチャの選択（VGG16対Inception V4）が性能にどの程度影響を与えるか？

主な発見

• 転移学習を適用したInception V4モデルは、わずか5,120枚の画像を用いた訓練で96.25％の正確性を達成した。
• 転移学習は、初期学習からVGG16を訓練した場合（74.12％の正確性）と比較して顕著に優れていた。
• 本手法は、5つの最先端の深層学習手法のうち4つを上回る正確性を達成したが、使用した訓練データセットは最大のベースラインと比較してほぼ10倍も少なかった。
• エントロピーに基づくデータ選択戦略により、構造的に多様で情報量の多いMRIスライスが優先的に選択され、モデル性能が向上した。
• 最小限のハイパーパrameterチューニングと低い計算コストで、競争力のある性能が達成された。
• 結果から、転移学習と知的なデータ選択の組み合わせにより、大規模な注釈付き医療データセットへの依存を著しく削減できることが示された。