[논문 리뷰] DaTscan SPECT Image Classification for Parkinson's Disease

Justin Quan, Xu Lin외 3명|arXiv (Cornell University)|2019. 09. 09.

Brain Tumor Detection and Classification참고 문헌 14인용 수 10

한 줄 요약

이 연구는 소규모 데이터셋을 다루기 위해 3-슬라이스 (40–42) RGB 연결 및 데이터 증강을 활용한 InceptionV3 아키텍처를 사용하는 딥 컨volution 신경망(CNN)을 제안하여 DaTscan SPECT 영상을 파킨슨병(PD) 또는 정상으로 분류한다. 모델은 테스트 정확도 98.48%, 정밀도-재현율 AUC 99.67%, ROC AUC 99.09%를 기록하였으며, 659장의 영상으로 구성된 PPMI 데이터셋에서 높은 민감도(98.88%)와 특이도(97.67%)를 보였다.

ABSTRACT

Parkinson's Disease (PD) is a neurodegenerative disease that currently does not have a cure. In order to facilitate disease management and reduce the speed of symptom progression, early diagnosis is essential. The current clinical, diagnostic approach is to have radiologists perform human visual analysis of the degeneration of dopaminergic neurons in the substantia nigra region of the brain. Clinically, dopamine levels are monitored through observing dopamine transporter (DaT) activity. One method of DaT activity analysis is performed with the injection of an Iodine-123 fluoropropyl (123I-FP-CIT) tracer combined with single photon emission computerized tomography (SPECT) imaging. The tracer illustrates the region of interest in the resulting DaTscan SPECT images. Human visual analysis is slow and vulnerable to subjectivity between radiologists, so the goal was to develop an introductory implementation of a deep convolutional neural network that can objectively and accurately classify DaTscan SPECT images as Parkinson's Disease or normal. This study illustrates the approach of using a deep convolutional neural network and evaluates its performance on DaTscan SPECT image classification. The data used in this study was obtained through a database provided by the Parkinson's Progression Markers Initiative (PPMI). The deep neural network in this study utilizes the InceptionV3 architecture, 1st runner up in the 2015 ImageNet Large Scale Visual Recognition Competition (ILSVRC), as a base model. A custom, binary classifier block was added on top of this base. In order to account for the small dataset size, a ten fold cross validation was implemented to evaluate the model's performance.

연구 동기 및 목표

• 주관적인 방사선의사 판독에 의존하는 것을 줄이기 위해, DaTscan SPECT 영상을 파킨슨병(PD) 또는 비-PD로 자동으로 분류할 수 있는 객관적이고 자동화된 방법을 개발하는 것.
• PPMI 데이터베이스에서 확보한 소규모이고 불균형한 DaTscan SPECT 영상 데이터셋에 대해 딥 컨volution 신경망의 성능을 평가하는 것.
• 제한된 학습 데이터에도 불구하고 모델의 일반화 능력을 향상시키기 위해 데이터 증강 및 전이학습 기법을 탐색하는 것.
• 3D SPECT 영상 슬라이스를 효과적인 딥 러닝 기반 분류를 위해 2D RGB 입력으로 사용하는 것이 가능한지 평가하는 것.

제안 방법

• 연구는 사전 학습된 InceptionV3 아키텍처를 특징 추출기로 사용하여 전이학습을 적용하였으며, DaTscan SPECT 영상에 대해 미세조정하였다.
• 스트리아탈 영역에서 강도가 가장 높은 슬라이스 40, 41, 42를 사용하여 공간적 맥락을 유지하기 위해 3채널 RGB 이미지로 연결하였다.
• 데이터 증강은 Keras의 ImageDataGenerator를 사용하여 실시간으로 적용하였으며, 소규모 회전, 이동, 반전을 통해 데이터셋의 유효 크기를 증가시켰다.
• 모델의 안정성을 평가하기 위해 10겹 교차검증을 실시하였고, 이후 클래스 균형을 맞춘 샘플링을 적용한 80:20 학습-테스트 분할을 실시하였다.
• 학습은 500 에포크 동안 수행되었으며, 초기 학습률 1e-3에서 1e-6으로 감소하는 코즈인 감소 학습률 스케줄링과 배치 크기 16를 사용하였다.
• 성능 평가에는 정확도, AUC-ROC, AUC-PR, 민감도, 특이도, 정밀도와 같은 표준 지표를 사용하였다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 높은 정확도로 DaTscan SPECT 영상을 파킨슨병 및 비-PD로 효과적으로 분류할 수 있는가?
• RQ2 데이터 증강 및 전이학습 기법은 소규모이고 불균형한 의료 영상 데이터셋에서 성능을 어떻게 향상시키는가?
• RQ3 전체 부피 영상 데이터를 사용하는 것과 비교해 특정 SPECT 슬라이스(40–42) 선택이 분류 성능에 어느 정도의 영향을 미치는가?
• RQ4 모델의 민감도와 특이도는 임상 진단 기준과 비교해 어떻게 평가되는가?

주요 결과

• 모델은 132장의 미리보지 않은 테스트 영상에서 테스트 정확도 98.48%를 기록하였으며, 참양성 88건, 참음성 42건을 기록하였다.
• 민감도는 98.88%에 도달하여 모델이 파킨슨병 환자의 98.88%를 정확히 식별함을 의미한다.
• 특이도는 97.67%로, 비-PD 환자의 97.67%를 정확히 분류함을 보여준다.
• 정밀도는 98.88%로, 예측된 파킨슨병 환자 중 98.88%가 실제로 정확함을 의미한다.
• 정밀도-재현율 곡선 아래 면적은 0.9967로, 뛰어난 정밀도-재현율 성능을 나타낸다.
• ROC 곡선 아래 면적은 0.9909로, 파킨슨병 및 비-PD 클래스 간 강력한 분류 능력을 보여준다.