[논문 리뷰] Classification of Alzheimer's Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss

Muhammad Wildan Oktavian, Novanto Yudistira외 1명|arXiv (Cornell University)|2022. 07. 04.

Public Health and Nutrition인용 수 22

한 줄 요약

논문은 ImageNet에서의 전이 학습, 가중 손실 및 Mish 활성화를 활용하여 ADNI MRI 데이터를 AD, MCI, CN으로 분류하고 88.3%의 정확도(기준값 69.1%)를 달성한다.

ABSTRACT

Alzheimer's disease is a progressive neurodegenerative disorder that gradually deprives the patient of cognitive function and can end in death. With the advancement of technology today, it is possible to detect Alzheimer's disease through Magnetic Resonance Imaging (MRI) scans. So that MRI is the technique most often used for the diagnosis and analysis of the progress of Alzheimer's disease. With this technology, image recognition in the early diagnosis of Alzheimer's disease can be achieved automatically using machine learning. Although machine learning has many advantages, currently the use of deep learning is more widely applied because it has stronger learning capabilities and is more suitable for solving image recognition problems. However, there are still several challenges that must be faced to implement deep learning, such as the need for large datasets, requiring large computing resources, and requiring careful parameter setting to prevent overfitting or underfitting. In responding to the challenge of classifying Alzheimer's disease using deep learning, this study propose the Convolutional Neural Network (CNN) method with the Residual Network 18 Layer (ResNet-18) architecture. To overcome the need for a large and balanced dataset, transfer learning from ImageNet is used and weighting the loss function values so that each class has the same weight. And also in this study conducted an experiment by changing the network activation function to a mish activation function to increase accuracy. From the results of the tests that have been carried out, the accuracy of the model is 88.3 % using transfer learning, weighted loss and the mish activation function. This accuracy value increases from the baseline model which only gets an accuracy of 69.1 %.

연구 동기 및 목표

• Automatic Alzheimer's disease의 MRI 기반 이미지 분류를 통한 조기 자동 탐지를 동기 부여한다.
• 제한된 데이터와 불균형 클래스에서 CNN 기반 구조를 이용한 Alzheimer's 분류를 평가한다.
• 전이 학습, 클래스 가중치 부여, 활성화 함수가 모델 성능에 미치는 영향을 조사한다.
• 데이터 불균형을 완화하고 사전 학습을 활용하여 정확도를 개선하는 방법론을 제안한다.

제안 방법

• Residual Network (ResNet) 아키텍처를 채택하되 주로 ResNet-18를 사용했다.
• 도메인 특화 데이터의 한계를 보완하기 위해 ImageNet으로부터의 전이 학습을 적용했다.
• AD, MCI, CN 간의 클래스 불균형을 해결하기 위해 가중된 교차 엔트로피 손실을 구현했다.
• 성능 향상을 평가하기 위해 특정 계층에서 ReLU를 Mish 활성화로 대체했다.
• CNN 입력을 위한 뼈대 제거(skull-stripping) 및 3D 스캔을 2D 슬라이스로 변환하는 전처리 과정을 수행했다.]

실험 결과

연구 질문

• RQ1 큰 규모 데이터셋에서의 전이 학습이 ADNI 데이터의 알츠하이머 MRI 분류 성능을 향상시킬 수 있는가?
• RQ2 손실 함수를 가중하여 클래스 불균형을 해결하는 것이 소수 클래스로서의 AD 및 전체 다중 클래스 정확도에 얼마나 영향을 미치는가?
• RQ3 Mish 활성화와 ReLU를 이 작업에서 사용할 경우 모델 정확도 및 클래스별 지표에 어떤 차이가 있는가?

주요 결과

• 가중 손실과 Mish 활성화를 포함한 전이 학습은 테스트 데이터에서 88.3%의 다중 클래스 정확도를 달성했다.
• 전이 학습이나 가중치 부여 없이의 기준은 69.1%의 정확도로, 제안된 접근법에서 상당한 향상을 나타냈다.
• 가중 손실은 AD 및 CN 클래스의 정밀도를 개선했고 여러 클래스에서 F1-점수를 증가시켰다.
• 전이 학습은 보고된 결과에서 정확도, 정밀도, 재현율, F1-점수를 크게 증가시켰다.
• Mish 활성화 함수는 전이 학습과 가중 손실과 결합했을 때 정확도를 더 개선하지 못했지만 일부 클래스별 지표에 영향을 주었다.