[論文レビュー] VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI

Xiaofeng Liu, Fangxu Xing+6 more|arXiv (Cornell University)|Jan 13, 2021

Amyotrophic Lateral Sclerosis Research参考文献 24被引用数 9

ひとこと要約

本論文では、20名の対照群と26名の患者群のみを用いてT2強調画像からのALS分類を目的とした、軽量で解釈可能な逐次的部分空間学習フレームワーク、VoxelHopを提案する。1回渡しの順方向アーキテクチャにおいて教師なしおよび教師あり次元削減を活用することで、最先端の3D CNNと比較して10倍少ないパラメータ数で、93.48%の精度と0.9394のAUCを達成し、トレーニング時間も著しく短縮された。

ABSTRACT

Deep learning has great potential for accurate detection and classification of diseases with medical imaging data, but the performance is often limited by the number of training datasets and memory requirements. In addition, many deep learning models are considered a "black-box," thereby often limiting their adoption in clinical applications. To address this, we present a successive subspace learning model, termed VoxelHop, for accurate classification of Amyotrophic Lateral Sclerosis (ALS) using T2-weighted structural MRI data. Compared with popular convolutional neural network (CNN) architectures, VoxelHop has modular and transparent structures with fewer parameters without any backpropagation, so it is well-suited to small dataset size and 3D imaging data. Our VoxelHop has four key components, including (1) sequential expansion of near-to-far neighborhood for multi-channel 3D data; (2) subspace approximation for unsupervised dimension reduction; (3) label-assisted regression for supervised dimension reduction; and (4) concatenation of features and classification between controls and patients. Our experimental results demonstrate that our framework using a total of 20 controls and 26 patients achieves an accuracy of 93.48$\%$ and an AUC score of 0.9394 in differentiating patients from controls, even with a relatively small number of datasets, showing its robustness and effectiveness. Our thorough evaluations also show its validity and superiority to the state-of-the-art 3D CNN classification methods. Our framework can easily be generalized to other classification tasks using different imaging modalities.

研究の動機と目的

• 限られた3D MRIデータを用いたALS分類のための軽量で解釈可能な臨床意思決定システムの開発。
• 特にALSのような希少な神経変性疾患において、深層学習のデータ不足と高い計算コストを克服すること。
• 教師なしおよび教師あり次元削減技術を用いることで、誤反復学習および大規模なラベル付きデータセットへの依存を低減すること。
• 小さなサンプルサイズ（20対照群、26患者）でも高い性能を維持できる透明性がありモジュラーなモデルの構築。
• モデルの複雑さとトレーニング時間を最小限に抑え、解釈可能性を最大化することで、臨床応用を促進すること。

提案手法

• マルチチャネル3D MRIデータ上での近隣領域から遠方領域への段階的拡張を用い、CNNに類似したキャスケード型で局所的からグローバルな受容場を構築するが、誤反復学習を一切行わない。
• 教師なし次元削減のためのサブスペース近似にSaab変換を適用し、エネルギーを95%〜99%のしきい値で保持する。
• ラベル支援回帰をLAG（ラベル支援グループ化）ユニットで実行し、識別的特徴に焦点を当てる教師あり次元削減を実現する。
• 複数段階の特徴を連結し、線形最小二乗法（LSR）分類器に供給することで、対照群とALS患者の最終分類を実行する。
• モデル全体を1回渡しの順方向学習でトレーニングし、反復的な誤反復学習を回避することで、トレーニングの複雑さを著しく低減する。
• 交差エントロピー誘導型特徴選択を各段階で適用し、性能と効率のバランスを取るために情報量の多い特徴を選択する。

実験結果

リサーチクエスチョン

• RQ1 20名の対照群と26名の患者群のみを用いて、逐次的部分空間学習フレームワークが高精度なALS分類を達成できるか？
• RQ2 少量のMRIデータセットにおいて、VoxelHopの精度、AUC、パラメータ効率の観点から、最先端の3D CNNと比較してどの程度優れているか？
• RQ3 教師なしおよび教師あり次元削減を組み合わせることで、分類性能を損なわず、モデルの複雑さをどの程度低減できるか？
• RQ4 誤反復学習を一切行わない1回渡しの順方向アーキテクチャは、トレーニング時間とリソース使用量の観点から、標準的な3D CNNを上回ることができるか？
• RQ5 VoxelHopのモジュラーで透明な構造は、ブラックボックス型の深層学習モデルと比較して、解釈可能性と臨床的実用性をどの程度向上させるか？

主な発見

• VoxelHopは、20名の対照群と26名の患者群を用いて、ALS患者と健康対照群を93.48%の分類精度、AUC 0.9394で区別した。
• 最先端の3D CNNと比較して、約10倍少ないパラメータ数を要し、モデルの複雑さが著しく低減された。
• CPU上でのトレーニング時間は20分にまで短縮され、GPUを必要とする3D CNNが3時間を要するのに対し、顕著な性能向上を示した。
• 限られたデータでも、精度と効率の両面で3D CNNを上回る頑健性と優位性を示した。
• 誤反復学習を伴わない1回渡しの順方向学習により、特に少量の3D医療画像データセットに適した高速かつメモリ効率の良い学習が可能になった。
• 教師なしサブスペース近似とラベル支援回帰の組み合わせにより、最小限のラベル付きデータで効果的な特徴学習が実現した。