[논문 리뷰] A novel framework for automatic detection of Autism: A study on Corpus Callosum and Intracranial Brain Volume.

Hamza Sharif, Rizwan Ahmed Khan|arXiv (Cornell University)|2019. 03. 27.

Brain Tumor Detection and Classification인용 수 13

한 줄 요약

이 연구는 ABIDE 데이터셋의 s-MRI 데이터에서 추출한 대뇌배합체 및 내두개 뇌량 특징을 활용하여 자폐 스펙트럼 장애(ASD)를 자동으로 진단할 수 있는 새로운 기계학습 프레임워크를 제안한다. 특징 가중치를 계산하여 모델 성능을 햖थ고, ASD 검출 정확도를 향상시켰으며, 이는 컴퓨터 비전과 기계학습이 뇌영상 기반 진단에 활용될 잠재력을 보여준다.

ABSTRACT

Computer vision and machine learning are the linchpin of field of automation. The medicine industry has adopted numerous methods to discover the root causes of many diseases in order to automate detection process. But, the biomarkers of Autism Spectrum Disorder (ASD) are still unknown, let alone automating its detection, due to intense connectivity of neurological pattern in brain. Studies from the neuroscience domain highlighted the fact that corpus callosum and intracranial brain volume holds significant information for detection of ASD. Such results and studies are not tested and verified by scientists working in the domain of computer vision / machine learning. Thus, in this study we have applied machine learning algorithms on features extracted from corpus callosum and intracranial brain volume data. Corpus callosum and intracranial brain volume data is obtained from s-MRI (structural Magnetic Resonance Imaging) data-set known as ABIDE (Autism Brain Imaging Data Exchange). Our proposed framework for automatic detection of ASD showed potential of machine learning algorithms for development of neuroimaging data understanding and detection of ASD. Proposed framework enhanced achieved accuracy by calculating weights / importance of features extracted from corpus callosum and intracranial brain volume data.

연구 동기 및 목표

• 자폐 스펙트럼 장애(ASD)의 알려진 생물학적 지표가 부족한 점을 보완하고, ASD와 연관된 뇌영상 특징을 탐색한다.
• 뇌과학 연구 결과와 기계학습 응용 간 격차를 메우기 위해, ASD 검출에 있어 뇌과학적 발견을 기계학습에 통합한다.
• 구조적 MRI 데이터를 기반으로 자동으로 ASD를 검출할 수 있는 기계학습 프레임워크를 개발한다.
• 대뇌배합체 및 내두개 뇌량 특징의 중요도를 바탕으로 특징 가중치를 계산하여 검출 정확도를 향상시킨다.
• ABIDE 데이터셋의 실제 뇌영상 데이터를 대상으로 특징 공학 및 학습 알고리즘의 효과를 검증한다.

제안 방법

• 연구는 주로 ABIDE 데이터셋의 구조적 MRI(s-MRI) 데이터를 데이터 소스로 사용한다.
• 특징은 두 가지 핵심 뇌해부학적 영역에서 추출된다: 대뇌배합체와 내두개 뇌량.
• 기계학습 알고리즘을 적용하여 추출된 특징을 바탕으로 ASD 환자와 대조군을 분류한다.
• 모델의 예측 성능를 최적화하기 위해 특징 중요도를 계산하여 가중치를 할당한다.
• 특징 추출을 위한 컴퓨터 비전 기법과 분류를 위한 기계학습 모델을 통합한 프레임워크를 구성한다.
• 정확도와 강건성을 평가하기 위해 표준 기계학습 평가 지표를 사용하여 프레임워크를 평가한다.

실험 결과

연구 질문

• RQ1 대뇌배합체 및 내두개 뇌량 특징이 s-MRI 데이터에서의 자폐 스펙트럼 장애(ASD) 자동 검출에 기여할 수 있는가?
• RQ2 s-MRI 스캔에서 추출한 뇌해부학적 특징을 기반으로 훈련된 기계학습 모델은 ASD를 얼마나 효과적으로 분류하는가?
• RQ3 특징 가중치 적용이 ASD 검출 모델의 정확도를 얼마나 향상시키는가?
• RQ4 뇌과학적으로 확인된 생물학적 지표는 기계학습 프레임워크를 통해 자폐 스펙트럼 장애 진단에 효과적으로 활용될 수 있는가?
• RQ5 기본 방법 대비 제안된 프레임워크는 분류 성능 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 프레임워크는 중요도 기반 특징 가중치를 계산하고 활용함으로써 검출 정확도를 향상시키는 데 성공했다.
• 대뇌배합체 및 내두개 뇌량 특징의 통합은 모델이 ASD 환자와 정상 뇌 기능을 가진 사람을 구별하는 능력을 향상시켰다.
• 뇌과학적 지표를 기반으로 한 특징을 제공받는 기계학습 모델은 뇌영상 데이터를 효과적으로 해석하여 ASD 검출에 활용할 수 있음을 입증했다.
• 데이터 기반 특징 최적화를 통해 자동화된 ASD 검출을 발전시킬 잠재력을 보여주었다.
• 컴퓨터 비전과 기계학습을 뇌영상 데이터와 융합한 임상 적용 가능성을 검증했다.
• 공개된 s-MRI 데이터셋을 활용한 향후 ASD 검출 시스템을 위한 검증 가능하고 확장 가능한 방법을 제공했다.