[논문 리뷰] A global feature extraction model for the effective computer aided diagnosis of mild cognitive impairment using structural MRI images

Chen Fang, Panuwat Janwattanapong외 2명|arXiv (Cornell University)|2017. 12. 02.

Dementia and Cognitive Impairment Research참고 문헌 9인용 수 3

한 줄 요약

이 논문은 구조적 MRI에서 경도인지장애(MCI)의 조기 진료를 향상시키기 위해 가우시안 판별 분석(GDA) 기반 이중 고차원 결정 공간을 사용하는 글로벌 특징 추출 모델을 제안한다. 양측 뇌 반구의 특징을 통합한 유일한 분류기로 구성되어 있으며, 보류된 테스트 데이터에서 F1 스코어 91.06%와 정확도 88.78%를 달성하여 이전의 국소 특징 방법보다 우수한 성능을 보였다.

ABSTRACT

Multiple modalities of biomarkers have been proved to be very sensitive in assessing the progression of Alzheimer's disease (AD), and using these modalities and machine learning algorithms, several approaches have been proposed to assist in the early diagnosis of AD. Among the recent investigated state-of-the-art approaches, Gaussian discriminant analysis (GDA)-based approaches have been demonstrated to be more effective and accurate in the classification of AD, especially for delineating its prodromal stage of mild cognitive impairment (MCI). Moreover, among those binary classification investigations, the local feature extraction methods were mostly used, which made them hardly be applied to a practical computer aided diagnosis system. Therefore, this study presents a novel global feature extraction model taking advantage of the recent proposed GDA-based dual high-dimensional decision spaces, which can significantly improve the early diagnosis performance comparing to those local feature extraction methods. In the true test using 20% held-out data, for discriminating the most challenging MCI group from the cognitively normal control (CN) group, an F1 score of 91.06%, an accuracy of 88.78%, a sensitivity of 91.80%, and a specificity of 83.78% were achieved that can be considered as the best performance obtained so far.

연구 동기 및 목표

• 모든 이진 비교(CN 대 MCI, CN 대 AD, MCI 대 AD)에 대해 별도의 특징 세트가 필요로 하는 국소 특징 추출 방법의 한계를 해결하기 위해.
• 양측 반구의 데이터를 이중 고차원 결정 공간을 통해 활용하는 통합된 글로벌 특징 추출 모델을 개발하여 분류 성능을 향상시키기 위해.
• ANOVA 기반 특징 순위 매기기를 통해 알츠하이머병 진행과 가장 밀접하게 연관된 가장 중요한皮질 영역을 규명하기 위해.
• 기계 학습을 활용한 구조적 MRI를 통한 MCI 조기 진단에서 최신 기술 수준의 성능을 달성하기 위해.
• 모델의 견고성과 일반화 능력을 보장하기 위해 보류된 테스트 세트를 활용해 모델을 검증하기 위해.

제안 방법

• 이 방법은 양측 뇌 반구에서 유도된 이중 고차원 결정 공간을 기반으로 한 글로벌 GDA 기반 분류기를 사용한다.
• 25개의 FreeSurfer 라벨링된 피질 영역에서 표면적 면적, 이동 깊이, 지오데식 깊이, 평균 곡률, 볼록성, 두께, 부피의 7개의 형태 측정치를 사용해 특징을 추출한다.
• 각 반구당 175개 변수(7개 측정치 × 25개 영역)를 생성하고, 이를 하나의 글로벌 특징 공간으로 통합하여 분류를 수행한다.
• ANOVA를 사용해 p-값 기반으로 특징을 순위 매기며, 세 가지 진단 그룹(CN, MCI, AD) 간의 가장 구분 능력이 높은 특징을 식별한다.
• 모델 성능 평가를 위해 십중교차검증을 실시한 후, 최종 검증을 위해 20%의 보류된 테스트 세트를 사용한다.
• 글로벌 분류기 성능에 기반해 최적의 특징 세트를 선정하였으며, 이때 엔토르히날 피질이 가장 중요한 영역으로 확인되었다.

실험 결과

연구 질문

• RQ1 양측 반구의 데이터를 통합하는 글로벌 특징 추출 모델이 기존의 국소 특징 추출 방법보다 MCI와 정상인지 상태를 분류하는 데 더 뛰어난 성능을 보일 수 있는가?
• RQ2 구조적 MRI의 형태 측정치를 기반으로 알츠하이머병 진행과 가장 밀접하게 연관된 피질 영역은 무엇인가?
• RQ3 GDA 기반 분류기에서 이중 고차원 결정 공간을 사용할 경우, 단일 반구 또는 국소 특징 접근 방식에 비해 조기 진단 성능이 향상되는가?
• RQ4 제안된 모델이 CN 대 MCI 분류에 대해 보류된 테스트 세트에서 최신 기술 수준의 성능을 달성할 수 있는가?
• RQ5 엔토르히날 피질이 특징 순위 매기기 및 분류 결과에 의해 확인된 MCI 조기 검출에 가장 구분 능력이 높은 영역인가?

주요 결과

• 제안된 글로벌 GDA 기반 모델은 CN 대 MCI 분류에 대해 보류된 테스트 세트에서 F1 스코어 91.06%, 정확도 88.78%, 민감도 91.80%, 특이도 83.78%의 성능을 달성하였다.
• 이 모델은 문헌에 보고된 최근의 교차검증 결과보다 뚜렷하게 뛰어난 성능을 보였으며, 특히 도전적인 CN 대 MCI 비교에 있어 두드러진 성능 향상을 보였다.
• 엔토르히날 피질은 알츠하이머병 진행과 가장 밀접하게 연관된 가장 중요한 피질 영역으로 확인되었으며, 기존의 신경병리학적 발견과 일치하였다.
• 상위 5개 영역인 엔토르히날, 중측 시간엽, 하측 시간엽, 퓌스포름, 페라휴포캠퍼스 영역은 모두 알츠하이머병의 특징 영역로 확인되었으며, 이는 특징 순위 매기기 방법의 타당성을 뒷받침한다.
• 이중 결정 공간을 사용하는 글로벌 분류기는 국소 모델 대비 모든 비교(CN 대 MCI, CN 대 AD, MCI 대 AD)에서 성능 향상을 보였다.
• 최적의 특징 세트는 왼쪽 반구에서 48개, 오른쪽 반구에서 61개의 특징를 포함하여, 분류 능력의 심각한 비대칭성을 보였다.