[논문 리뷰] A Survey on Deep Learning for Neuroimaging-based Brain Disorder Analysis

Li Zhang, Mingliang Wang외 2명|arXiv (Cornell University)|2020. 05. 10.

Functional Brain Connectivity Studies참고 문헌 118인용 수 7

한 줄 요약

이 종합 검토는 뇌 영상 기반 뇌 질환 분석에 응용된 딥 러닝 기술을 다루며, 알츠하이머병, 파킨슨병, 자폐 스펙트럼 장애, 정신분열증을 중심으로 다룬다. 분류, 분할, 다중모달 융합에 대한 딥 네트워크 성능을 평가하며, 데이터 보정, 다중모달 통합, 다수의 기관에서 수집된 데이터의 이질성과 같은 과제를 규명한다.

ABSTRACT

Deep learning has been recently used for the analysis of neuroimages, such as structural magnetic resonance imaging (MRI), functional MRI, and positron emission tomography (PET), and has achieved significant performance improvements over traditional machine learning in computer-aided diagnosis of brain disorders. This paper reviews the applications of deep learning methods for neuroimaging-based brain disorder analysis. We first provide a comprehensive overview of deep learning techniques and popular network architectures, by introducing various types of deep neural networks and recent developments. We then review deep learning methods for computer-aided analysis of four typical brain disorders, including Alzheimer's disease, Parkinson's disease, Autism spectrum disorder, and Schizophrenia, where the first two diseases are neurodegenerative disorders and the last two are neurodevelopmental and psychiatric disorders, respectively. More importantly, we discuss the limitations of existing studies and present possible future directions.

연구 동기 및 목표

• 뇌 질환 진단을 위한 신경영상에 적용된 딥 러닝 기법에 대한 종합적인 검토를 제공하는 것.
• 알츠하이머병, 파킨슨병, 자폐 스펙트럼 장애, 정신분열증의 네 가지 주요 뇌질환에 대해 뇌 영상 분류 및 분할에서 딥 네트워크의 성능을 분석하는 것.
• 현재 딥 러닝 응용의 핵심적 한계, 즉 데이터 부족, 누락된 데이터 보정, 다중모달 융합 등을 규명하는 것.
• 신경영상에서 딥 러닝 모델의 강건성, 일반화 능력 및 임상 적용 가능성을 향상시키기 위한 향후 연구 방향을 제안하는 것.

제안 방법

• 신경영상 분석을 위한 최근의 딥 러닝 아키텍처, 예를 들어 오토에인코드어, U-Net, 컬러리셔널 신경망 등을 조사하는 것.
• 구조적 및 기능적 MRI, PET 및 기타 신경영상 모odalities에서 분류, 탐지, 분할, 정렬 작업에 대한 딥 러닝 방법을 평가하는 것.
• 예를 들어 MRI와 PET를 포함한 다중모달 신경영상 데이터를 융합하기 위한 데이터 수준, 의사결정 수준, 중간 수준의 융합 전략을 분석하는 것.
• 제한되거나 완전하지 않은 신경영상 데이터에서 표현을 학습하기 위한 비지도 및 약한 지도 학습 접근법을 조사하는 것.
• 예를 들어 MRI와 같은 보완적 모달리티를 사용하여 누락된 신경영상(예: 누락된 PET 스캔)을 보정하기 위한 딥 네트워크의 사용을 검토하는 것.
• 다중 기관 신경영상 데이터에서 이동 가능한 특징과 적응형 분류기를 동시에 학습할 수 있는 종단간 딥 러닝 프레임워크의 필요성을 제안하는 것.

실험 결과

연구 질문

• RQ1 딥 러닝 모델은 뇌질환의 신경영상 데이터를 분류할 때 기존의 머신러닝 기법보다 어떻게 비교되는가?
• RQ2 신경영상에서 분할 및 분류에 가장 효과적인 딥 네트워크 아키텍처는 무엇인가?
• RQ3 누락된 신경영상 데이터(예: MRI로부터의 누락된 PET 스캔)를 딥 러닝을 사용해 효과적으로 보정할 수 있는 방법은 무엇인가?
• RQ4 대표성 수준에서 다양한 수준의 표현에서 다중모달 신경영상 데이터(예: MRI와 fMRI)를 융합하기 위한 최적의 전략은 무엇인가?
• RQ5 다중 기관 신경영상 데이터셋에서의 이질성에 대해 딥 러닝 모델을 어떻게 강건하게 만들 수 있는가?

주요 결과

• 딥 러닝 모델은 뇌 영상 자료를 사용하여 알츠하이머병 및 파킨슨병과 같은 뇌질환의 분류에서 최첨단 성능을 달성하였다.
• U-Net 및 유사 아키텍처는 뇌 영상에서 뇌 구조와 병변의 분할에 강력한 성능을 보였다.
• 계층적 표현을 동시에 학습하는 종단간 딥 러닝 프레임워크는 수작업 특징에 의존하는 전통적 방법보다 우수한 성능을 보였다.
• 딥 생성 모델을 사용하여 MRI로부터 누락된 신경영상(예: PET)을 보정하는 데 성공적이지만, 영상 데이터와 비영상 데이터 간의 대응 관계는 아직 탐색되지 않은 상태이다.
• 다양한 모달리티 간에 학습된 표현을 중간 수준에서 융합하는 것은 데이터 수준 또는 의사결정 수준 융합보다 더 민첩하고 강력한 대안을 제공한다.
• 이질적인 다중 기관 신경영상 데이터에서의 강건한 학습은 여전히 과제로 남아 있으며, 이동 가능한 특징과 적응형 분류기를 동시에 학습할 수 있는 모델의 필요성이 있다.