[논문 리뷰] Deep Ordinal Ranking for Multi-Category Diagnosis of Alzheimer's Disease using Hippocampal MRI data

Hongming Li, Mohamad Habes외 1명|arXiv (Cornell University)|2017. 09. 05.

Radiomics and Machine Learning in Medical Imaging참고 문헌 35인용 수 33

한 줄 요약

이 논문은 히포크라머 MRI 데이터를 활용하여 뇌신경변성 진행의 본질적 순서적 진행을 모델링함으로써 정상 대조군(NC), 안정성 MCI(sMCI), 진행성 MCI(pMCI), 알츠하이머병(AD)의 단계를 분류하는 딥 오더링 랭킹 모델을 제안한다. 이 방법은 종단 간 히에라르키컬 특징을 학습하며, ADNI 데이터셋에서 형태 및 레디오믹스 특징을 사용한 기존의 다중 클래스 분류 방법보다 뛰어난 성능을 보인다.

ABSTRACT

Increasing effort in brain image analysis has been dedicated to early diagnosis of Alzheimer's disease (AD) based on neuroimaging data. Most existing studies have been focusing on binary classification problems, e.g., distinguishing AD patients from normal control (NC) elderly or mild cognitive impairment (MCI) individuals from NC elderly. However, identifying individuals with AD and MCI, especially MCI individuals who will convert to AD (progressive MCI, pMCI), in a single setting, is needed to achieve the goal of early diagnosis of AD. In this paper, we propose a deep ordinal ranking model for distinguishing NC, stable MCI (sMCI), pMCI, and AD at an individual subject level, taking into account the inherent ordinal severity of brain degeneration caused by normal aging, MCI, and AD, rather than formulating the classification as a multi-category classification problem. The proposed deep ordinal ranking model focuses on the hippocampal morphology of individuals and learns informative and discriminative features automatically. Experiment results based on a large cohort of individuals from the Alzheimer's Disease Neuroimaging Initiative (ADNI) indicate that the proposed method can achieve better performance than traditional multi-category classification techniques using shape and radiomics features from structural magnetic resonance imaging (MRI) data.

연구 동기 및 목표

• 단일 프레임워크 내에서 NC, sMCI, pMCI, AD를 구분함으로써 알츠하이머병의 조기 정확한 진단이 필요한 필요성을 해결하기 위해.
• 단계를 독립된 클래스로 취급하는 것 대신, 노화와 뇌신경변성 진행으로 인한 뇌 퇴행의 순서적 성격을 모델링하기 위해.
• 딥 러닝을 통해 자동으로 구분 가능한 해마 형태 특징을 학습함으로써 진단 성능을 향상시키기 위해.
• NC 대 AD 또는 MCI 대 NC를 분리하는 이진 분류 과제의 한계를 극복하기 위해, 전이 상태를 놓치지 않도록 하기 위해.

제안 방법

• 모델은 해마 MRI 스캔에서 직접 히에라르키컬하고 구분 가능한 특징을 학습하기 위해 딥 신경망 아키텍처를 사용한다.
• 진단 과제를 순서적 랭킹 문제로 설정하며, 출력은 질병 심각도 순서를 반영하는 연속적 점수이다.
• 손실 함수는 순서 제약을 강제하기 위해 설계되었으며, 예측 점수는 NC < sMCI < pMCI < AD가 되도록 마진 기반 랭킹 손실을 사용한다.
• 3D 컨볼루션 레이어를 사용하여 알츠하이머병에 영향을 받는 주요 뇌 영역인 해마에서 특징을 추출하여 공간적 형태를 캡처한다.
• 헤지 손실 기반 순서적 랭킹 목표를 사용하여 ADNI 데이터셋에서 종단 간으로 네트워크를 훈련시킨다.
• 기존의 다중 클래스 분류를 피하기 위해, 이는 이질적인 카테고리가 아니라 순서된 단계의 시퀀스로 진행을 모델링함으로써 이루어진다.

실험 결과

연구 질문

• RQ1 딥 오더링 랭킹 모델이 정상 노화에서 AD로의 자연스러운 진행을 포착함으로써 다범주 알츠하이머병 진단을 향상시킬 수 있는가?
• RQ2 표준 다중 클래스 분류 대비 질병 단계를 순서적 수준으로 모델링할 경우, 진단 정확도에서 어떤 차이가 있는가?
• RQ3 종단 간 딥 러닝을 통해 MRI에서 정보적인 해마 특징을 얼마나 효과적으로 추출할 수 있는가?
• RQ4 손실 함수에 순서 제약을 통합함으로써 조기 단계의 AD 진단에서 더 나은 일반화 및 강건성을 달성할 수 있는가?

주요 결과

• 제안된 딥 오더링 랭킹 모델은 형태 및 레디오믹스 특징을 사용한 기존의 다중 클래스 분류 방법보다 뛰어난 성능을 보였다.
• 모델은 NC, sMCI, pMCI, AD의 모든 네 단계에서 분류 정확도가 향상되었다.
• 순서적 설정은 특히 pMCI와 sMCI, NC를 구분하는 데 더 나은 일반화를 이끌어내어 조기 간병의 핵심 요소로 작용했다.
• 이 방법은 질병 진행과 관련된 해마의 미세한 형태 변화를 효과적으로 포착했다.
• 질병 심각도를 순서적 구조로 모델링하는 것이 카테고리적 구조로 모델링하는 것보다 더 일관되고 생물학적으로 타당한 예측을 이끌어냈다.
• 결과는 알츠하이머병 신경영상연구(ADNI)의 대규모 코hort에서 검증되었으며, 이는 모델의 강건성과 확장성의 확인을 의미한다.