[논문 리뷰] A Comprehensive Study of Alzheimer's Disease Classification Using Convolutional Neural Networks

Ziqiang Guan, Ritesh Kumar외 3명|arXiv (Cornell University)|2019. 04. 16.

Brain Tumor Detection and Classification참고 문헌 18인용 수 10

한 줄 요약

이 연구는 ADNI MRI 데이터를 전면적으로 사용하여 알츠하이머병 분류를 위한 딥러닝 모델을 평가하며, 2D 대 3D CNN, 사전 훈련, 모델 아키텍처를 비교한다. 3D 모델은 높은 계산 비용에도 불구하고 정확도가 1% 향상되었고, 사전 훈련의 이점은 미미했으며(0.5% 미만), 다양한 인기 있는 CNN 모델 간의 성능은 유사했다. 반면 Clinica 전처리 방법은 FreeSurfer보다 뛰어나 89%의 정확도를 기록했다.

ABSTRACT

A plethora of deep learning models have been developed for the task of Alzheimer's disease classification from brain MRI scans. Many of these models report high performance, achieving three-class classification accuracy of up to 95%. However, it is common for these studies to draw performance comparisons between models that are trained on different subsets of a dataset or use varying imaging preprocessing techniques, making it difficult to objectively assess model performance. Furthermore, many of these works do not provide details such as hyperparameters, the specific MRI scans used, or their source code, making it difficult to replicate their experiments. To address these concerns, we present a comprehensive study of some of the deep learning methods and architectures on the full set of images available from ADNI. We find that, (1) classification using 3D models gives an improvement of 1% in our setup, at the cost of significantly longer training time and more computation power, (2) with our dataset, pre-training yields minimal ($<0.5\%$) improvement in model performance, (3) most popular convolutional neural network models yield similar performance when compared to each other. Lastly, we briefly compare the effects of two image preprocessing programs: FreeSurfer and Clinica, and find that the spatially normalized and segmented outputs from Clinica increased the accuracy of model prediction from 63% to 89% when compared to FreeSurfer images.

연구 동기 및 목표

• 일致된 데이터와 전처리를 사용하여 딥러닝 모델의 알츠하이머병 분류 성능을 객관적으로 비교하기 위해.
• 2D 대 3D 컨volution 신경망이 분류 정확도에 미치는 영향을 평가하기 위해.
• ADNI MRI 데이터에서 재구성 작업에 대해 사전 훈련한 모델이 분류 성능 향상에 기여하는지 평가하기 위해.
• 인기 있는 CNN 아키텍처(예: ResNet, DenseNet, InceptionNet)가 알츠하이머병 분류 맥락에서 어떻게 성능을 내는지 비교하기 위해.
• 다른 MRI 전처리 파이프라인(예: FreeSurfer 대 비해 Clinica)이 후속 모델 정확도에 미치는 영향을 조사하기 위해.

제안 방법

• ADNI 데이터셋의 T1 강도 MRI 스캔을 대상으로 2D 및 3D ResNet 아키텍처를 훈련시켰으며, coronal 슬라이스와 전체 3D 볼륨을 사용하였다.
• 세 클래스 분류 작업(정상, MCI, AD)에서 클래스 불균형을 다루기 위해 데이터 증강 및 클래스 균형 조정을 적용하였다.
• 2D 모델은 ImageNet 사전 훈련 가중치를 사용하여 전이 학습을 수행하고, MRI 데이터에 맞게 미세 조정하였다.
• 종료형 분류 미세 조정 이전에 MRI 스캔을 대상으로 오토인코더 재구성 작업을 통해 사전 훈련을 평가하였다.
• 동일한 3D 16층 ResNet을 사용하여 두 전처리 파이프라인(FreeSurfer(비정규화), Clinica(공간 정규화, 조직 분할)) 간의 모델 성능을 비교하였다.
• 다양한 랜덤 시드를 기반으로 검증 및 테스트 정확도를 표준편차와 함께 보고하여 정확도의 견고성을 확보하였다.

실험 결과

연구 질문

• RQ1 ADNI MRI 스캔에서 3D 컨volution 신경망을 사용할 경우 2D 모델 대비 분류 정확도 향상이 이루어지는가? 그리고 훈련 시간과 계산 비용의 상관관계는 어떠한가?
• RQ2 MRI 재구성 작업에 대해 사전 훈련한 CNN이 알츠하이머병 분류 성능 향상에 얼마나 기여하는가?
• RQ3 동일한 데이터셋에 적용했을 때, 주요 2D CNN 아키텍처(예: ResNet, DenseNet, InceptionNet, VGG) 간의 성능 비교는 어떻게 이루어지는가?
• RQ4 MRI 전처리 파이프라인 선택(FreeSurfer 대 비해 Clinica)이 후속 딥러닝 모델의 정확도에 어떤 영향을 미치는가?
• RQ5 이 특정 의료 영상 작업에서, Inception 모듈이나 밀집 연결과 같은 아키텍처 혁신이 간단한 아키텍처보다 더 큰 영향을 미치는가?

주요 결과

• 전체 3D 회색질 지도에 3D ResNet-18을 적용한 결과, 정면 슬라이스에 2D ResNet-18을 사용한 것 대비 테스트 정확도가 1.1% 향상되어 87.4%에서 88.5%로 상승했지만, 훈련 시간과 GPU 메모리 사용량이 크게 증가하였다.
• MRI 재구성 작업에 대한 사전 훈련은 평균 테스트 정확도 향상이 0.5% 미만에 그쳐, 이 데이터 환경에서는 거의 이점이 없음을 시사한다.
• 모든 주요 2D CNN 아키텍처(ResNet-18, DenseNet121, InceptionNet_V3, VGG19_bn)는 유사한 성능을 보였으며, 테스트 정확도는 87.5%에서 88.8% 사이를 오갔다.
• Clinica의 공간 정규화 및 조직 분할 출력은 모델 정확도를 테스트 데이터 기준 89.2%로 끌어올렸고, FreeSurfer의 비정규화 및 뼈절단 처리된 출력을 사용한 경우 뿐만 아니라 63.5%에 그쳤다.
• Clinica와 FreeSurfer 간의 성능 격차는 뚜렷했으며 통계적으로 유의미하여, MRI 기반 딥러닝에서 전처리의 핵심적인 역할을 확인시켰다.
• 이전 연구에서의 주장과 달리, 이 AD 분류 작업에서 아키텍처의 복잡성(예: Inception 모듈, 밀집 연결)이 단순한 모델보다 의미 있는 성능 향상을 이끌어내지 못했다.