[논문 리뷰] Deep Learning for Early Alzheimer Disease Detection with MRI Scans

Mohammad Rafsan, Tamer Oraby외 3명|ArXiv.org|2025. 01. 17.

Brain Tumor Detection and Classification인용 수 3

한 줄 요약

이 연구는 OASIS 뇌 MRI 데이터셋에서 CNN, Bayesian CNN, U-Net 모델을 비교하여 조기 알츠하이머 병을 탐지하며, Bayesian CNN이 정확도 95% 이상을 달성하고 Grad-CAM을 통한 해석 가능성을 제공합니다.

ABSTRACT

Alzheimer's Disease is a neurodegenerative condition characterized by dementia and impairment in neurological function. The study primarily focuses on the individuals above age 40, affecting their memory, behavior, and cognitive processes of the brain. Alzheimer's disease requires diagnosis by a detailed assessment of MRI scans and neuropsychological tests of the patients. This project compares existing deep learning models in the pursuit of enhancing the accuracy and efficiency of AD diagnosis, specifically focusing on the Convolutional Neural Network, Bayesian Convolutional Neural Network, and the U-net model with the Open Access Series of Imaging Studies brain MRI dataset. Besides, to ensure robustness and reliability in the model evaluations, we address the challenge of imbalance in data. We then perform rigorous evaluation to determine strengths and weaknesses for each model by considering sensitivity, specificity, and computational efficiency. This comparative analysis would shed light on the future role of AI in revolutionizing AD diagnostics but also paved ways for future innovation in medical imaging and the management of neurodegenerative diseases.

연구 동기 및 목표

• MRI와 AI 기반 분석을 활용한 알츠하이머 병의 조기 탐지 동기 부여.
• 공개 MRI 데이터셋에서 세 가지 심층 학습 아키텍처(CNN, Bayesian CNN, U-Net)를 평가·대조.
• 의료 영상의 클래스 불균형을 SMOTE-Tomek 전처리로 해결.
• 정확도, 정밀도, 재현율, F1-스코어를 통한 모델 성능 평가.
• Grad-CAM을 이용한 모델 예측의 해석 가능성 제공.

제안 방법

• OASIS 데이터셋의 MRI 슬라이스에 CNN, Bayesian CNN, U-Net 모델 적용.
• 훈련 및 평가 전에 SMOTE-Tomek으로 데이터 균형 조정.
• 정확도, 정밀도, 재현율, F1-스코어를 사용하여 모델 평가.
• 해석 가능성을 위해 Grad-CAM으로 예측에 기여하는 뇌 영역 시각화.
• Bayesian CNN을 Bayes by Backprop 및 ELBO 목표를 갖는 변분 추론으로 설명.
• 확률적 경사 변분법으로 불확실성 인지 모델링을 Bayesian CNN에서 구현하고 비교.

실험 결과

연구 질문

• RQ1 Bayesian CNN이 MRI 데이터에서 표준 CNN 및 U-Net보다 조기 AD 탐지에서 더 우수할 수 있는가?
• RQ2 이 모델들이 AD의 조기 단계 탐지에서 정확도, 정밀도, 재현율, F1 측면에서 어떻게 수행되는가?
• RQ3 Grad-CAM이 모델 예측에 관련된 뇌 영역의 의미 있는 위치를 제공하는가?
• RQ4 SMOTE-Tomek 균형 조정이 모델 성능에 어떤 영향을 미치는가?
• RQ5 Bayesian CNN의 불확실성 모델링이 더 신뢰할 수 있는 진단에 기여할 수 있는가?

주요 결과

• Bayesian CNN은 작업에서 정확도 95% 이상을 달성했다.
• CNN과 U-Net은 평가된 모델 중 차수로 다음으로 높은 성능을 달성했다.
• Grad-CAM을 사용하여 예측에 기여하는 뇌 영역을 시각화하였고 해석 가능성을 높였다.
• 데이터를 학습 및 평가 전에 SMOTE-Tomek으로 균형 조정하는 방법을 적용했다.
• Bayesian CNN이 제공하는 불확실성 정량화와 그것의 임상 활용 가능성에 대해 분석했다.