[논문 리뷰] Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network

Ehsan Hosseini-Asl, Georgy Gimel’farb외 1명|arXiv (Cornell University)|2016. 07. 02.

Brain Tumor Detection and Classification인용 수 74

한 줄 요약

이 논문은 구조적 MRI 스캔을 사용하여 알츠하이머병 진료를 위한 깊이 있는 감독을 받는 가변적인 3D 합성 신경망(DSA-3D-CNN)을 제안한다. CADDementia 데이터셋을 사용해 3D 합성 신경망 오토인코더를 통해 사전학습한 후, ADNI 데이터셋에서 깊이 있는 감독을 통해 미세조정하여, 두개골 제거 전처리 없이도 최신 기술 수준의 정확도와 강건성을 달성한다.

ABSTRACT

Early diagnosis, playing an important role in preventing progress and treating the Alzheimer's disease (AD), is based on classification of features extracted from brain images. The features have to accurately capture main AD-related variations of anatomical brain structures, such as, e.g., ventricles size, hippocampus shape, cortical thickness, and brain volume. This paper proposes to predict the AD with a deep 3D convolutional neural network (3D-CNN), which can learn generic features capturing AD biomarkers and adapt to different domain datasets. The 3D-CNN is built upon a 3D convolutional autoencoder, which is pre-trained to capture anatomical shape variations in structural brain MRI scans. Fully connected upper layers of the 3D-CNN are then fine-tuned for each task-specific AD classification. Experiments on the \\emph{ADNI} MRI dataset with no skull-stripping preprocessing have shown our 3D-CNN outperforms several conventional classifiers by accuracy and robustness. Abilities of the 3D-CNN to generalize the features learnt and adapt to other domains have been validated on the \\emph{CADDementia} dataset.

연구 동기 및 목표

• 의료 영상 기반 조기이고 정확한 알츠하이머병 진료의 과제를 해결한다.
• 기존의 특징 엔지니어링의 한계를 극복하기 위해 딥러닝을 활용해 뇌 MRI에서 분류 가능한 생물학적 지표를 자동으로 추출한다.
• 도메인 특화 재학습을 최소화하면서 다양한 MRI 데이터셋 간에 일반화 가능한 이식 가능하고 유연한 딥러닝 프레임워크를 개발한다.
• 3D-CNN의 완전 연결층에 깊이 있는 감독을 통합하여 분류의 강건성과 정확도를 향상시킨다.
• 두개골 제거 전처리 없이 오직 T1 가중 MRI만을 사용하여 ADNI 및 CADDementia 데이터셋에서 모델의 효과성을 입증한다.

제안 방법

• CADDementia 데이터셋에서 3D 합성 신경망 오토인코더(3D-CAE)를 사전학습하여 구조적 뇌 MRI에서의 일반적인 해부학적 형태 변화를 학습한다.
• ADNI 데이터셋에서 AD 분류를 위한 3D-CNN의 인코더 부분을 특징 추출기로 사용하여 미세조정한다.
• AD, MCI 및 정상 대조군 환자를 분류하기 위해 3D-CNN 위에 세 개의 완전 연결층을 스택한다.
• 최종 출력층 뿐 아니라 각 완전 연결층에 분류에 유용한 손실 함수를 적용하여 깊이 있는 감독을 시행한다.
• 두개골 제거 없이 하나의 영상 모odal리티(T1 가중 sMRI)만을 사용하여 원본 해부학적 정보를 유지한다.
• 10겹 교차검증을 사용하여 모델을 훈련하고, 정확도, AUC, 민감도, 특이도 및 F1-스코어와 같은 표준 지표로 성능을 평가한다.

실험 결과

연구 질문

• RQ1 CADDementia에서 다양하게 구성된 데이터셋으로 사전학습한 3D-CNN이 ADNI의 다른 도메인으로 일반화되어 알츠하이머병 진료에 성공할 수 있는가?
• RQ2 완전 연결층에 깊이 있는 감독을 적용하면 AD, MCI 및 NC 환자를 분류하는 데 있어 특징의 분류 능력이 향상되는가?
• RQ3 정확도와 강건성 측면에서 제안된 DSA-3D-CNN은 전통적인 분류기 및 최신 기술 수준의 딥러닝 모델보다 어떻게 비교되는가?
• RQ4 두개골 제거나 다중 모odal 영상 입력 없이도 모델이 높은 성능을 달성할 수 있는 정도는 어느 정도인가?
• RQ5 다양한 교차검증 폴드와 분류 작업 간에도 모델이 높은 성능을 유지할 수 있는가?

주요 결과

• DSA-3D-CNN는 두개골 제거 없이도 여러 전통적 및 딥러닝 기반 분류기보다 ADNI 데이터셋에서 뛰어난 정확도와 강건성을 확보하였다.
• 모델은 모든 다섯 가지 분류 작업(예: AD 대 NC, MCI 대 NC)에서 높은 성능을 보였으며, 대부분의 경우 균형 정확도(BAC)와 F1-스코어가 0.90 이상이었다.
• 깊이 있는 감독 덕분에 특징의 분류 능력이 뚜렷이 향상되었으며, 기준 모델 대비 더 높은 민감도, 특이도 및 F1-스코어로 이를 입증하였다.
• 대부분의 분류 작업에서 수확 곡선 아래 면적(AUC)이 0.95 이상을 기록하여 강력한 예측 능력을 보였다.
• CADDementia 데이터셋으로의 일반화 성능는 모델의 다양한 MRI 촬영 프로토콜과 스캐너 유형 간 이식 가능성의 타당성을 확인하였다.
• 제거 실험 결과, 깊이 있는 감독 또는 CADDementia에서의 사전학습을 제거할 경우 성능에 명백한 하락이 발생하여, 두 구성 요소의 중요성을 입증하였다.