[논문 리뷰] Automatic diagnosis of schizophrenia and attention deficit hyperactivity disorder in rs-fMRI modality using convolutional autoencoder model and interval type-2 fuzzy regression

Afshin Shoeibi, Navid Ghassemi외 8명|arXiv (Cornell University)|2022. 05. 31.

EEG and Brain-Computer Interfaces참고 문헌 129인용 수 70

한 줄 요약

이 논문은 휴식 상태 fMRI(rs-fMRI) 데이터를 이용해 정신분열증(SZ)과 주의력결핍과잉행동장애(ADHD)의 자동 진단을 위한 새로운 딥러닝 및 퍼지 논리 프레임워크를 제안한다. 연구는 기능적 연결성 매트릭스를 추출하기 위해 맞춤형 2차원 합성곱 autoencoder(CNN-AE)를 사용하고, 회색호랑이 최적화(GWO)를 통해 최적화된 간격형 타입-2 퍼지 회귀(IT2FR) 분류기를 도입하여 건강한 대조군, SZ 및 ADHD 환자를 72.71%의 정확도로 구분하였다.

ABSTRACT

Nowadays, many people worldwide suffer from brain disorders, and their health is in danger. So far, numerous methods have been proposed for the diagnosis of Schizophrenia (SZ) and attention deficit hyperactivity disorder (ADHD), among which functional magnetic resonance imaging (fMRI) modalities are known as a popular method among physicians. This paper presents an SZ and ADHD intelligent detection method of resting-state fMRI (rs-fMRI) modality using a new deep learning method. The University of California Los Angeles dataset, which contains the rs-fMRI modalities of SZ and ADHD patients, has been used for experiments. The FMRIB software library toolbox first performed preprocessing on rs-fMRI data. Then, a convolutional Autoencoder model with the proposed number of layers is used to extract features from rs-fMRI data. In the classification step, a new fuzzy method called interval type-2 fuzzy regression (IT2FR) is introduced and then optimized by genetic algorithm, particle swarm optimization, and gray wolf optimization (GWO) techniques. Also, the results of IT2FR methods are compared with multilayer perceptron, k-nearest neighbors, support vector machine, random forest, and decision tree, and adaptive neuro-fuzzy inference system methods. The experiment results show that the IT2FR method with the GWO optimization algorithm has achieved satisfactory results compared to other classifier methods. Finally, the proposed classification technique was able to provide 72.71% accuracy.

연구 동기 및 목표

• 주관적이고 시간이 오래 걸리며 오류가 발생하기 쉬운 SZ 및 ADHD 임상 진단 문제를 해결하기 위해 자동화되고 객관적이며 정확한 컴퓨터 보조 진단 시스템(CADS)을 개발하는 것.
• 7개의 합성곱 층을 갖는 새로운 2차원 합성곱 autoencoder(CNN-AE) 아키텍처를 통해 rs-fMRI 데이터의 기능적 연결성 표현을 향상시키는 것.
• 복잡하고 불확실한 신경영상 데이터에서 분류의 강건성을 향상시키기 위해 메타휴리스틱 알고리즘으로 최적화된 새로운 간격형 타입-2 퍼지 회귀(IT2FR) 분류기를 도입하는 것.
• 실제 rs-fMRI 데이터셋을 바탕으로 다수의 최신 기계학습 및 퍼지 인fer런스 시스템과 비교하여 제안된 방법의 성능을 평가하는 것.
• 비침습적 fMRI 영상 기반으로 조기이고 정확한 SZ 및 ADHD 진단을 지원할 수 있는 임상 적용 가능한 도구를 제공하는 것.

제안 방법

• 연구는 UCLA rs-fMRI 데이터셋을 사용하였으며, 이는 건강한 대조군(HC), 정신분열증(SZ), 주의력결핍과잉행동장애(ADHD) 환자의 데이터를 포함한다.
• FMRIB 소프트웨어 라이브러리(FSL) 툴박스를 사용하여 rs-fMRI 데이터를 표준화하고 정제하는 전처리를 수행한다.
• 전처리된 데이터에서 118×118 크기의 기능적 연결성 매트릭스를 추출하고, 이를 2D 이미지로 변환하여 CNN-AE에 입력한다.
• 7개의 합성곱 층을 갖는 맞춤형 2D CNN-AE를 엔드 투 엔드로 훈련하여 기능적 연결성 패턴의 계층적이고 압축된 표현을 학습한다.
• 추출된 특징은 신규로 제안된 간격형 타입-2 퍼지 회귀(IT2FR) 모델을 통해 분류되며, 이 모델은 회색호랑이 최적화(GWO), 유전 알고리즘(GA), 입자 군집 최적화(PSO)로 최적화된다.
• 분류 모델의 강건성과 일반화 능력을 확보하기 위해 10겹 교차검증을 적용한다.

실험 결과

연구 질문

• RQ1 맞춤형 2차원 합성곱 autoencoder는 rs-fMRI 기능적 연결성 매트릭스에서 SZ 및 ADHD 분류를 위한 분별 가능한 특징을 효과적으로 추출할 수 있는가?
• RQ2 제안된 간격형 타입-2 퍼지 회귀(IT2FR) 모델은 기존의 기계학습 및 타입-1 퍼지 분류기보다 rs-fMRI 데이터에서 SZ 및 ADHD를 진단하는 데에서 더 뛰어난 성능을 보일 수 있는가?
• RQ3 GWO, GA, PSO 중 어떤 메타휴리스틱 최적화 기법이 IT2FR와 통합되었을 때 이 분류 작업에서 가장 높은 성능을 내는가?
• RQ4 제안된 CADS는 기존의 최신 기술 중 단지 두 개의 클래스를 분류하는 방법들(예: HC 대 SZ 또는 HC 대 ADHD)과 비교해 볼 때, 세 개의 클래스(HC, SZ, ADHD)를 모두 구분하는 데서 정확도가 어떻게 다른가?
• RQ5 rs-fMRI 데이터에서 추출된 기능적 연결성 패턴은 정신분열증 및 주의력결핍과잉행동장애에서 알려진 신경생물학적 차이를 어느 정도 반영하는가?

주요 결과

• 제안된 IT2FR-GWO 분류기는 MLP, KNN, SVM, 랜덤 포레스트, 의사결정나무, ANFIS 기반 모델을 포함한 모든 평가된 방법 중에서 가장 높은 분류 정확도 72.71%를 기록하였다.
• 2D CNN-AE를 통한 특징 추출과 IT2FR-GWO를 통한 분류의 조합은 기준 모델 대비 진단 성능을 크게 향상시켰다.
• 이전의 최신 기술 중 단일 두 클래스 분류(예: HC 대 SZ 또는 HC 대 ADHD)만을 수행하는 방법들과 비교했을 때, 본 연구의 방법은 세 개의 클래스(HC, SZ, ADHD)를 모두 분류할 수 있다는 점에서 뛰어난 성능을 보였다.
• 간격형 타입-2 퍼지 논리의 사용은 rs-fMRI 데이터의 불확실성을 효과적으로 포착하여, 개인 간 변동성과 노이즈가 많은 신호가 존재하는 환경에서도 강건성을 향상시켰다.
• CNN-AE 모델을 통해 추출된 기능적 연결성 패턴은 HC, SZ, ADHD 환자 간 뇌 네트워크 연결성에 있어 유의미한 차이를 보였으며, 이는 이전의 신경영상 문헌과 일치하였다.
• 결과적으로 딥러닝과 고급 퍼지 추론, 메타휴리스틱 최적화를 융합한 접근 방식은 복잡한 뇌질환의 자동화되고 정확하며 신뢰할 수 있는 진단을 위한 유망한 길을 제시한다.