[논문 리뷰] 3D Grid-Attention Networks for Interpretable Age and Alzheimer's Disease Prediction from Structural MRI

Pradeep Lam, Alyssa H. Zhu외 3명|arXiv (Cornell University)|2020. 11. 18.

AI in cancer detection인용 수 14

한 줄 요약

이 논문은 다중 특징 추상화 수준에서 공간적 인지 능력을 갖춘 어텐션 모듈을 통합함으로써 구조적 MRI에서 해석 가능한 연령 및 알츠하이머병(AD) 예측을 향상시키는 3D 격자-어텐션 네트워크를 제안한다. 이 모델은 연령 및 AD 분류에서 높은 정확도를 달성하면서도, 낮은 수준의 특징은 두 작업 간에 상당한 겹침을 보이고, 높은 수준의 특징은 더 작업 특화되어 있음을 드러내는 시각화 지도를 생성한다. 이는 신경학적 노화 및 병리 패턴의 차이에 대한 통찰을 제공한다.

ABSTRACT

We propose an interpretable 3D Grid-Attention deep neural network that can accurately predict a person's age and whether they have Alzheimer's disease (AD) from a structural brain MRI scan. Building on a 3D convolutional neural network, we added two attention modules at different layers of abstraction, so that features learned are spatially related to the global features for the task. The attention layers allow the network to focus on brain regions relevant to the task, while masking out irrelevant or noisy regions. In evaluations based on 4,561 3-Tesla T1-weighted MRI scans from 4 phases of the Alzheimer's Disease Neuroimaging Initiative (ADNI), salience maps for age and AD prediction partially overlapped, but lower-level features overlapped more than higher-level features. The brain age prediction network also distinguished AD and healthy control groups better than another state-of-the-art method. The resulting visual analyses can distinguish interpretable feature patterns that are important for predicting clinical diagnosis. Future work is needed to test performance across scanners and populations.

연구 동기 및 목표

• 3D 구조적 MRI 스캔에서 뇌 연령과 알츠하이머병 상태를 정확하게 예측할 수 있는 딥 러닝 모델을 개발하기.
• 어텐션 기반 기법을 통해 관련 뇌 영역을 국소화함으로써 모델의 해석 가능성 향상하기.
• 뇌 연령 예측과 AD 분류에 사용되는 특징 간의 겹침과 차이를 조사하기.
• 기존 모델이 연령 관련 패턴에 과적합되어 병변에 민감하지 않을 수 있는 한계를 해결하기.
• 임상 생물학적 마커 개발을 위해 다양한 추상화 수준에서 특징 중요도를 시각적으로 분석할 수 있도록 하기.

제안 방법

• 모델은 네 개의 3D 컨볼루션 블록을 포함하는 3D 컨볼루션 신경망 기반 아키텍처를 사용하며, 각 블록은 3D 컨볼루션, 배치 정규화, ReLU 활성화 함수, 평균 풀링을 포함한다.
• 초기 및 후기 컨볼루션 블록 이후에 두 개의 3D 격자-어텐션 모듈을 삽입하여 작업에 관련된 전역적 맥락 기반으로 공간적 특징을 동적으로 가중치 부여한다.
• 어텐션 메커니즘은 학습된 선형 변환, ReLU 비선형성, 정규화를 통해 어텐션 점수를 계산하고, 공간적으로 정렬된 특징 가중치를 생성한다.
• 정규화된 어텐션 점수에서 시각화 지도를 생성하고, 원본 스캔 해상도로 업샘플링하며, 이중 뇌 마스크를 사용해 잡음을 제거한다.
• 어텐션 지도를 평균(μ) + 1σ, μ + 2σ, μ + 0.5σ 기준으로 임계 처리하여 다양한 주제와 작업 간에 선명한 영역을 비교한다.
• Jaccard 유사도를 사용해 다양한 특징 추상화 수준에서 뇌 연령 예측과 AD 분류의 시각화 지도 간 겹침 정도를 정량화한다.

실험 결과

연구 질문

• RQ1 뇌 연령 예측에 사용되는 공간적 특징는 알츠하이머병 분류에 사용되는 특징와 어떻게 비교되는가?
• RQ2 저수준 및 고수준 특징에서 뇌 연령 예측과 AD 분류 작업 간의 시각화 지도 겹침 정도는 어느 정도인가?
• RQ3 어텐션 기반 기법이 3D MRI 기반 뇌 연령 및 AD 예측에서 정확도와 해석 가능성 향상에 기여하는가?
• RQ4 최신 기술 대비 이 모델은 건강한 대조군과 알츠하이머병 환자를 더 효과적으로 구분하는가?
• RQ5 특징의 복잡도가 뇌 연령 및 질병 예측 간 공통적인 중요 영역의 유사성에 어떤 영향을 미치는가?

주요 결과

• 첫 번째 어텐션 모듈에서 μ+0.5σ 기준으로 뇌 연령 예측과 AD 분류의 시각화 지도 간 겹침은 저수준 특징에서 유의미하게 높았으며, Jaccard 점수 0.52를 기록했고, 높은 수준 특징에서는 겹침이 훨씬 적었으며, 두 번째 모듈에서 Jaccard 점수 0.10을 기록했다.
• 뇌 연령 예측 네트워크는 최신 기술 대비 알츠하이머병 환자와 건강한 대조군을 더 효과적으로 분류했으며, 병변 변화에 대한 민감도 향상을 시사한다.
• 뇌 연령 예측은 광범위한 뇌 영역에 의존하는 반면, AD 분류는 신경퇴행성 변화의 지표인 뇌실 확장에 주로 집중한다.
• 모델의 어텐션 메커니즘은 허브, 뇌실 등 신경학적으로 관련된 영역을 성공적으로 강조했으며, 이는 노화 및 AD의 알려진 해부학적 패턴과 일치한다.
• 알츠하이머병 환자와 건강한 대조군 간의 시각화 지도 겹침 정도에 큰 차이가 없었으며, 진단군 간 일관된 특징 중요도를 보였다.
• 시각적 분석 결과, 뇌 연령과 질병 예측에 동일한 소수의 특징을 강제로 사용하는 것이 뇌 연령 격차가 종종 AD 병변과 혼동되는 이유를 설명할 수 있다.