[논문 리뷰] 3D Inception-based CNN with sMRI and MD-DTI data fusion for Alzheimer's Disease diagnostics

Alexander Khvostikov, Karim Aderghal외 3명|arXiv (Cornell University)|2018. 07. 17.

Dementia and Cognitive Impairment Research인용 수 13

한 줄 요약

이 논문은 알츠하이머병(AD) 및 경도 인지 장애(MCI) 진단을 향상시키기 위해 히포크라프스 영역에 대한 구조적 MRI(sMRI)와 확산 탄성 영상(DTI) 데이터를 융합하는 3D 인셉션 기반의 합성곱 신경망을 제안한다. 기존의 AlexNet 기반 기준 모델 대비 6배 적은 파라미터로 더 높은 정확도를 달성하여, ADNI 데이터셋을 사용한 다중 모odal 뇌 영상 분류에서 뛰어난 성능과 효율성을 입증한다.

ABSTRACT

In the last decade, computer-aided early diagnostics of Alzheimer's Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research. Some recent studies have shown promising results in the AD and MCI determination using structural and functional Magnetic Resonance Imaging (sMRI, fMRI), Positron Emission Tomography (PET) and Diffusion Tensor Imaging (DTI) modalities. Furthermore, fusion of imaging modalities in a supervised machine learning framework has shown promising direction of research. In this paper we first review major trends in automatic classification methods such as feature extraction based methods as well as deep learning approaches in medical image analysis applied to the field of Alzheimer's Disease diagnostics. Then we propose our own design of a 3D Inception-based Convolutional Neural Network (CNN) for Alzheimer's Disease diagnostics. The network is designed with an emphasis on the interior resource utilization and uses sMRI and DTI modalities fusion on hippocampal ROI. The comparison with the conventional AlexNet-based network using data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset (http://adni.loni.usc.edu) demonstrates significantly better performance of the proposed 3D Inception-based CNN.

연구 동기 및 목표

• 다중 모달 뇌 영상 데이터를 사용하여 조기 알츠하이머병(AD) 및 경도 인지 장애(MCI) 탐지를 위한 계산적으로 효율적인 3D CNN 아키텍처를 개발한다.
• 히포크라프스 영역에 초점을 맞춰 깊이 학습 프레임워크 내에서 sMRI 및 DTI 모달리티를 융합함으로써 분류 성능을 향상시킨다.
• 정확도를 유지하면서도 파라미터 수를 줄임으로써 3D CNN 내부 자원 활용도를 최적화하여 더 빠른 학습과 더 나은 확장성을 확보한다.
• ADNI 데이터셋의 일부(531명의 환자)를 대상으로 제안된 모델의 성능을 기존의 전통적인 AlexNet 기반 아키텍처와 비교하여 평가한다.
• 대규모 선별에 적합한 실세계의 컴퓨터 지원 진단(CAD) 시스템에 적용 가능한 경량화되고 고효율적인 3D CNN의 실현 가능성을 입증한다.

제안 방법

• 제안된 방법은 내부 자원 활용도를 효율적으로 최적화하기 위해 설계된 3D 인셉션 기반 CNN 아키텍처를 사용하며, 높은 표현 능력을 유지하면서도 파라미터 수를 최소화한다.
• 입력 데이터는 sMRI 및 DTI 스캔를 통해 히포크라프스에서 추출한 3D 볼륨 ROI로 구성되며, 이는 기능 수준에서의 다중 모달 융합을 가능하게 한다.
• 네트워크는 다양한 크기의 병렬 합성곱 필터를 갖춘 인셉션 모듈을 사용하여 3D 뇌 볼륨에서 다중 척도 공간 특징을 캡처한다.
• 특징 융합은 sMRI 및 DTI 모달리티를 입력 수준에서 연결하여 3D CNN에 공급함으로써 구조적 및 미세 구조적 뇌 변화를 함께 학습할 수 있도록 한다.
• 모델은 이진(AD/NC, AD/MCI, MCI/NC) 및 삼진(AD/MCI/NC) 분류 작업을 위해 교차 엔트로피 손실과 확률적 경사 하강법을 사용한 지도 학습으로 훈련된다.
• 훈련은 단일 GPU에서 수행되며, 파라미터 수가 줄어들어 더 큰 배치 크기를 지원하여 학습 안정성과 수렴 속도를 향상시킨다.

실험 결과

연구 질문

• RQ1 파라미터 수가 감소한 3D 인셉션 기반 CNN이 다중 모달 sMRI 및 DTI 데이터에서 AD 및 MCI를 분류하는 데 있어 기존의 AlexNet 기반 네트워크를 능가할 수 있는가?
• RQ2 입력 수준에서 sMRI 및 DTI 모달리티를 융합하는 것이 단일 모달 입력에 비해 진단 정확도를 향상시키는가?
• RQ3 파라미터 수와 학습 시간으로 측정되는 아키텍처의 효율성은 3D 뇌 영상 분석에서 분류 성능에 어느 정도 영향을 미치는가?
• RQ4 제안된 모델은 실세계 데이터셋인 ADNI를 사용하여 이진 및 삼진 분류 작업에서 어떤 성능을 보이는가?
• RQ5 경량화된 3D CNN은 계산 비용을 줄이며 높은 정확도를 달성할 수 있는가? 이는 임상용 CAD 시스템에의 구현에 적합한가?

주요 결과

• 제안된 3D 인셉션 기반 CNN은 ADNI 데이터셋에서 이진 분류 작업(AD 대 NC)에서 93.3%의 정확도를 달성하였다.
• AD 대 MCI 분류에서는 86.7%의 정확도를 기록하였고, MCI 대 NC 분류에서는 73.3%의 정확도를 달성하였다.
• 삼진 분류(AD/MCI/NC)에서는 68.9%의 정확도를 확보하여, 세 진단 그룹을 모두 구분할 수 있는 능력을 입증하였다.
• 유사한 깊이를 가진 비교 가능한 AlexNet 기반 네트워크 대비 제안된 네트워크는 파라미터 수가 6배 적게 사용되었다.
• 더 적은 파라미터를 가진에도 불구하고, 이진 작업에서는 기준 모델 대비 3–6% 향상되었고, 삼진 작업에서는 거의 7% 향상된 정확도를 기록하였다.
• 유사한 배치 크기를 사용함에도 불구하고, 제안된 아키텍처는 파라미터 부담이 가벼워서 학습 시간이 기존 AlexNet 기반 모델 대비 약 1.7배 빠르게 되었다.