[논문 리뷰] Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks

Zahraa Sh. Aaraji, Hawraa H. Abbas|arXiv (Cornell University)|2022. 03. 31.

Brain Tumor Detection and Classification인용 수 5

한 줄 요약

이 연구는 뇌 MRI 영상에서 자율적인 알츠하이머병(AD) 분류를 위한 딥 러닝 프레임워크를 제안한다. 전처리, 분할 및 네 가지 CNN 아키텍처(특히 ResNet)를 활용하여 원본 및 처리된 영상에서 분류를 수행한다. 분할된 MRI 데이터를 사용하여 AD와 인지적으로 정상인 환자를 구분하는 데 최고의 성능로 93.50%의 정확도를 달성하였으며, 이는 영상 전처리가 분류 성능을 향상시킨다는 것을 보여준다.

ABSTRACT

Alzheimer's disease (AD) is one of the most common public health issues the world is facing today. This disease has a high prevalence primarily in the elderly accompanying memory loss and cognitive decline. AD detection is a challenging task which many authors have developed numerous computerized automatic diagnosis systems utilizing neuroimaging and other clinical data. MRI scans provide high-intensity visible features, making these scans the most widely used brain imaging technique. In recent years deep learning has achieved leading success in medical image analysis. But a relatively little investigation has been done to apply deep learning techniques for the brain MRI classification. This paper explores the construction of several deep learning architectures evaluated on brain MRI images and segmented images. The idea behind segmented images investigates the influence of image segmentation step on deep learning classification. The image processing presented a pipeline consisting of pre-processing to enhance the MRI scans and post-processing consisting of a segmentation method for segmenting the brain tissues. The results show that the processed images achieved a better accuracy in the binary classification of AD vs. CN (Cognitively Normal) across four different architectures. ResNet architecture resulted in the highest prediction accuracy amongst the other architectures (90.83% for the original brain images and 93.50% for the processed images).

연구 동기 및 목표

• 뇌 MRI 데이터를 이용한 알츠하이머병 분류를 위한 자동화된 시스템을 개발하는 것.
• 영상 전처리 및 분할이 딥 러닝 기반 AD 분류에 미치는 영향을 평가하는 것.
• 여러 개의 딥 컨volution 신경망 아키텍처가 MRI 데이터에서 어떻게 성능을 내는지 비교하는 것.
• 원본 스캔 대비 분할된 뇌 조직 영상이 분류 정확도를 향상시키는지 확인하는 것.
• 최소한의 임상 데이터와 고해상도 MRI를 활용한 AD 진단을 위한 강력한 엔드 투 엔드 파이프라인을 기여하는 것.

제안 방법

• 이 방법은 다단계 파이프라인을 포함한다: MRI 스캔 품질 향상을 위한 전처리 및 뇌 조직 분할을 통한 후처리.
• 조직 분할은 뇌 구조를 분리하여 잡음 감소와 병적 특징의 강조를 목적으로 한다.
• 원본 및 분할된 MRI 영상에서 네 가지 딥 러닝 아키텍처(ResNet, DenseNet, VGGNet, InceptionNet)를 학습하고 평가하였다.
• 제한된 의료 데이터에서 일반화 성능을 향상시키기 위해 ImageNet 사전 훈련 가중치를 활용한 전이 학습을 사용하였다.
• 알츠하이머병과 인지적으로 정상인 환자 간의 이진 분류 정확도를 사용하여 성능을 평가하였다.
• 신뢰할 수 있는 성능 추정을 위해 표준 훈련/검증/테스트 분할을 사용하였다.

실험 결과

연구 질문

• RQ1 영상 분할이 뇌 MRI 영상에서 알츠하이머병을 분류하는 딥 러닝 모델의 성능을 향상시키는가?
• RQ2 어느 딥 신경망 아키텍처가 AD 대 비정상적 인지 상태 환자 분류에서 가장 높은 정확도를 달성하는가?
• RQ3 MRI 데이터 전처리가 모델이 AD 관련 패턴을 탐지하는 데 미치는 영향은 무엇인가?
• RQ4 원본 MRI 스캔 대비 분할된 뇌 조직 영상 사용 시 성능 향상이 유의미한가?
• RQ5 사전 훈련된 모델을 활용한 전이 학습이 제한된 MRI 데이터로 AD를 효과적으로 분류하는 데 기여하는가?

주요 결과

• ResNet 아키텍처는 원본 MRI 영상에서 90.83%의 최고 정확도를 달성하였다.
• 영상 분할을 적용한 후 ResNet 모델은 정확도가 93.50%로 향상되어 전처리로 인한 상당한 성능 향상이 있음을 시사한다.
• 모든 평가된 아키텍처에서 분할된 영상이 원본 영상보다 항상 뛰어난 성능를 보였으며, 조직 수준의 특징 추출의 이점이 확인되었다.
• 이 연구는 전처리 및 분할이 딥 러닝 모델의 AD 분류 성능 향상에 상당한 기여를 한다고 입증하였다.
• 시험된 모델들 중에서 ResNet이 가장 강력한 성능를 보였으며, 이는 의료 영상 분류 과제에 적합함을 시사한다.
• 결과적으로, 처리된 MRI 데이터로 훈련된 딥 러닝 모델은 높은 진단 정확도를 달성할 수 있으며, 임상 의사결정 지원 시스템에서의 활용 가능성을 뒷받침한다.