[논문 리뷰] A novel machine learning based framework for detection of Autism Spectrum Disorder (ASD)

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

Autism Spectrum Disorder Research참고 문헌 103인용 수 75

한 줄 요약

이 논문은 ABIDE-I 데이터셋의 T1-강조 MRI 스캔을 사용하여 자폐 스펙트럼 장애(ASD) 자동 검출을 위한 기계학습 프레임워크를 제안한다. 대뇌배엽과 뇌내부 부피에서 특징을 추출하고, 분류 성능을 향상시키기 위해 특징 가중치를 적용한 후, 전통적인 기계학습과 VGG16을 사용한 전이학습을 평가하여, 제한된 데이터로도 신경영상 기반 진단을 위한 하이브리드 접근 방식의 타당성을 입증한다. 결과적으로 66%의 정확도를 달성하였다.

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. 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 proposed a machine learning based framework for automatic detection of ASD using features extracted from corpus callosum and intracranial brain volume from ABIDE dataset. Corpus callosum and intracranial brain volume data is obtained from T1-weighted MRI scans. Our proposed framework first calculates weights of features extracted from Corpus callosum and intracranial brain volume data. This step ensures to utilize discriminative capabilities of only those features that will help in robust recognition of ASD. Then, conventional machine learning algorithm (conventional refers to algorithms other than deep learning) is applied on features that are most significant in terms of discriminative capabilities for recognition of ASD. Finally, for benchmarking and to verify potential of deep learning on analyzing neuroimaging data i.e. T1-weighted MRI scans, we have done experiment with state of the art deep learning architecture i.e. VGG16 . We have used transfer learning approach to use already trained VGG16 model for detection of ASD. This is done to help readers understand benefits and bottlenecks of using deep learning approach for analyzing neuroimaging data which is difficult to record in large enough quantity for deep learning.

연구 동기 및 목표

• 신경영상 데이터를 활용한 자동 ASD 검출을 위한 기계학습 프레임워크 개발.
• ASD 분류에서 대뇌배엽 및 뇌내부 부피 특징의 분류 잠재력 탐구.
• 제한된 신경영상 데이터에서 전통적 기계학습과 딥러닝(VGG16)의 성능 비교.
• 저데이터 환경에서 딥러닝의 이점과 한계 평가.
• 강력한 특징 선택 기법을 활용한 구조적 MRI 특징을 통한 조기 임상적 ASD 검출 지원.

제안 방법

• ABIDE-I 데이터셋의 T1-강조 MRI 스캔에서 대뇌배엽 및 뇌내부 부피 영역의 특징을 추출한다.
• 분류 성능 향상을 위해 분류에 기여도가 높은 특징을 우선순위화하기 위해 특징 가중치를 적용한다.
• 선택된 특징을 기반으로 전통적 기계학습 알고리즘을 활용해 ASD 환자와 대조군을 분류한다.
• 대뇌배엽의 자르기 전용 TIFF 이미지에 대해 미리 훈련된 VGG16 모델을 사용한 전이학습을 수행한다.
• 80%의 데이터로는 최종 밀집층을 ADAM 옵timizer와 소프트맥스 활성화 함수를 사용해 훈련하고, 20%로 검증한다.
• NIfTI 형식의 MRI 스캔을 TIFF 형식으로 변환하고, 대표성이 떨어지는 슬라이스를 제거하며, 대뇌배엽 영역이 완전히 포함된 약 10만 장의 이미지를 유지한다.

실험 결과

연구 질문

• RQ1 대뇌배엽 및 뇌내부 부피 특징이 구조적 MRI에서의 ASD 검출 정확도 향상에 기여할 수 있는가?
• RQ2 특징 가중치 적용이 전통적 기계학습 모델의 ASD 분류 성능에 어떤 영향을 미치는가?
• RQ3 제한된 신경영상 데이터에서 VGG16을 사용한 전이학습의 성능은 어떠한가?
• RQ4 전통적 기계학습과 딥러닝은 데이터 효율성과 정확도 측면에서 ASD 검출에 있어 어떻게 비교되는가?
• RQ5 라벨이 부족한 상황에서 신경영상 데이터에 대해 딥러닝을 적용할 때의 주요 장애 요인는 무엇인가?

주요 결과

• 제안된 프레임워크는 ABIDE-I MRI 데이터에서 VGG16을 사용한 전이학습을 통해 66%의 검출 정확도를 달성하였다.
• 전통적 기계학습 방법은 기준 모델보다 성능이 뛰어났지만, 딥러닝에서 관찰된 10% 향상 수준에는 못 미쳤다.
• 특징 가중치 적용이 분류기의 강건성 향상과 계산 복잡도 감소에 크게 기여하였다.
• 연구는 대뇌배엽 및 뇌내부 부피 특징가 ASD 분류에 분류 정보를 지닌다는 것을 확인하였다.
• 제한된 데이터에도 불구하고 VGG16을 사용한 전이학습은 잠재력을 보였지만, 데이터 부족으로 성능이 제한되었다.
• 저자들은 다중 기관 신경영상 데이터를 사용할 경우 분류 정확도가 떨어지는 경향을 관찰하였으며, 이는 이전 문헌의 결과와 일치하였다.