[논문 리뷰] Classification of Alzheimer's Disease Structural MRI Data by Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|2016. 07. 22.

Brain Tumor Detection and Classification인용 수 49

한 줄 요약

이 연구는 구조적 MRI 데이터를 사용하여 정상 대조군과 알츠하이머병을 분류하기 위해 LeNet-5 아키텍처를 기반으로 한 컨볼루션 신경망(CNN)을 사용하는 딥러닝 접근법을 제안한다. 이 방법은 테스트 데이터에서 98.84%의 정확도를 달성하여, CNN이 병리학적이고 건강한 뇌 영상 간을 구분하는 데 효과적으로 이동 및 척도 불변 특징을 추출할 수 있음을 보여준다.

ABSTRACT

Recently, machine learning techniques especially predictive modeling and pattern recognition in biomedical sciences from drug delivery system to medical imaging has become one of the important methods which are assisting researchers to have deeper understanding of entire issue and to solve complex medical problems. Deep learning is a powerful machine learning algorithm in classification while extracting low to high-level features. In this paper, we used convolutional neural network to classify Alzheimer's brain from normal healthy brain. The importance of classifying this kind of medical data is to potentially develop a predict model or system in order to recognize the type disease from normal subjects or to estimate the stage of the disease. Classification of clinical data such as Alzheimer's disease has been always challenging and most problematic part has been always selecting the most discriminative features. Using Convolutional Neural Network (CNN) and the famous architecture LeNet-5, we successfully classified structural MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 98.84%. This experiment suggests us the shift and scale invariant features extracted by CNN followed by deep learning classification is most powerful method to distinguish clinical data from healthy data in fMRI. This approach also enables us to expand our methodology to predict more complicated systems.

연구 동기 및 목표

• 정상 뇌 MRI 스캔과 알츠하이머병을 구분하는 강력한 자동화된 시스템을 개발하기 위해.
• 임상 신경영상 데이터에서 구분 가능한 특징을 선택하는 데 도전하는 데.
• 특히 CNN을 포함한 딥러닝 기법이 구조적 MRI에서 계층적 특징을 어떻게 추출하는지 평가하기 위해.
• 정확한 분류를 통해 알츠하이머병의 조기 진단 또는 단계 분류를 가능하게 하기 위해.
• 더 복잡한 신경계 질환 예측에 대해 이 방법의 확장성 탐색을 위해.

제안 방법

• 특징 추출 및 분류를 위해 LeNet-5 아키텍처를 기반으로 한 컨볼루션 신경망(CNN)을 사용하였다.
• 수동 세분화나 수작업 특징 공학을 하지 않고 원시 구조적 MRI 스캔을 입력으로 사용하였다.
• 저수준에서 고수준 표현에 이르는 계층적 특징을 끝에서 끝까지 학습하기 위해 CNN을 엔드 투 엔드로 훈련시켰다.
• 특징의 강건성을 향상시키기 위해 공간 풀링과 비선형 활성화 함수(예: ReLU)를 적용하였다.
• 최적화를 위해 확률적 경사 하강법을 사용하고, 다중 클래스 분류 출력을 위해 소프트맥스를 사용하였다.
• 일반화 성능을 보장하고 과적합을 방지하기 위해 보류된 테스트 세트에서 모델 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 딥 컨볼루션 신경망은 오직 구조적 MRI 데이터만을 사용하여 정상 대조군과 알츠하이머병을 효과적으로 분류할 수 있는가?
• RQ2 전통적인 특징 선택 방법과 비교해 볼 때, CNN이 추출한 특징은 미리 보지 않은 MRI 스캔에 얼마나 잘 일반화되는가?
• RQ3 LeNet-5 아키텍처는 뇌 위축 검출과 같은 저수준 의료 영상 작업에서 얼마나 잘 성능을 내는가?
• RQ4 수동 특징 공학이나 사전 처리 없이도 모델이 높은 정확도를 달성할 수 있는가?
• RQ5 이 방법은 신경퇴행성 질환의 조기 진단 또는 단계 분류 잠재력이 있는가?

주요 결과

• CNN 모델은 구조적 MRI 데이터를 사용해 정상 대조군과 알츠하이머병을 구분하는 데 테스트 정확도 98.84%를 달성하였다.
• 모델은 이동 및 척도 불변 특징을 성공적으로 추출하였으며, 이는 강건한 의료 영상 분류에 필수적인 요소이다.
• 성능 결과는 딥러닝이 수작업으로 선택된 특징에 의존하는 전통적 방법보다 우수할 수 있음을 시사한다.
• 결과적으로 CNN을 사용한 엔드 투 엔드 훈련이 전문가가 정의한 특징에 대한 의존도를 감소시킬 수 있음을 나타낸다.
• 이 방법은 다른 복잡한 신경계 질환 예측에 응용 가능하며, 이식 가능하고 확장 가능한 것으로 나타났다.
• 이 연구는 딥러닝이 높은 진단 정확도로 구조적 뇌 MRI를 분석하는 강력한 도구임을 확인하였다.