[논문 리뷰] Classification of Alzheimer's Disease using fMRI Data and Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|2016. 03. 29.

Brain Tumor Detection and Classification인용 수 127

한 줄 요약

논문은 CNN(LeNet-5)을 사용하여 ADNI에서 전처리된 fMRI 데이터를 통한 알츠하이머병과 건강 대조군 분류를 수행하며 5-fold 실행에서 테스트 정확도 약 96.86%를 달성한다.

ABSTRACT

Over the past decade, 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 power learning machine learning algorithm in classification while extracting 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 functional MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 96.85%. 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

• 깊은 학습이 fMRI 데이터에서 알츠하이머병 분류에 어떻게 기여할 수 있는지 동기를 부여한다.
• CNN 기반 파이프라인을 개발하여 fMRI 4D 데이터를 분류를 위한 이미지 모양의 입력으로 변환한다.
• 교차 검증으로 CNN 접근법의 성능과 견고성을 평가한다.

제안 방법

• ADNI의 fMRI 데이터를 전처리하고 4D fMRI를 2D JPEG 이미지로 변환하여 알츠하이머스 vs 정상으로 라벨링한다.
• LeNet-5 CNN 아키텍처를 도입하고 NVIDIA GPU 환경에서 Caffe DIGITS를 통해 학습한다.
• 데이터를 학습(60%), 검증(20%), 테스트(20%)로 분할한다; 5-fold 교차 검증을 수행한다.
• 30 에포크 동안 배치 크기 64로 학습한다; 전체 샘플 수: 270,900 학습 및 90,300 검증/테스트 이미지.
• 5회 실행의 정확도를 보고하고 학습률 스케줄 및 손실/정확도 추세를 논의한다.

실험 결과

연구 질문

• RQ1 CNN 아키텍처가 fMRI 유래 이미지 입력에서 알츠하이머 병 대 건강 분류에 대해 LeNet-5를 효과적으로 근사할 수 있는가?
• RQ2 ADNI 유래 fMRI 데이터에서 교차 검증을 통한 CNN 기반 방법의 달성 가능한 정확도와 안정성은 어느 정도인가?
• RQ3 CNN이 rs-fMRI 데이터에서 알츠하이머 분류에 적합한 판별 가능한 특징(이동/스케일 불변)을 포착하는가?

주요 결과

• 5회 실행의 평균 테스트 정확도는 96.8588%(범위는 대략 96.854%–96.863% 이다).
• 학습은 30 에포크를 사용하고 학습률 스케줄링을 적용(초기 0.01, 매 10 에포크마다 10으로 나눔).
• CNN의 특징들(필터/커널)은 각 층에서 학습된 표현을 시각화하는 데 사용된다.
• 이전 SVM 기반 접근법(~84%)과 비교하면 동일한 데이터 처리 파이프라인에서 CNN 접근법이 상당한 정확도 향상을 달성했다.