[논문 리뷰] End-to-End Parkinson Disease Diagnosis using Brain MR-Images by 3D-CNN

Soheil Esmaeilzadeh, Yao Yang외 1명|arXiv (Cornell University)|2018. 06. 13.

Advanced Neural Network Applications참고 문헌 10인용 수 47

한 줄 요약

본 논문은 나이와 성별을 반영한 3D MRI에서 파킨슨병을 분류하는 엔드투엔드 3D-CNN 프레임워크를 제시하며, 검증/테스트 성능이 높고 중요한 뇌 영역을 식별하기 위한 뇌 열지도를 제공한다.

ABSTRACT

In this work, we use a deep learning framework for simultaneous classification and regression of Parkinson disease diagnosis based on MR-Images and personal information (i.e. age, gender). We intend to facilitate and increase the confidence in Parkinson disease diagnosis through our deep learning framework.

연구 동기 및 목표

• 손으로 설계된 특징 없이 엔드투엔드 학습을 통해 파킨슨 진단을 개선하도록 동기를 부여한다.
• MRI 데이터와 인구통계학적 특징(나이, 성별)을 하나의 통합 모델로 통합한다.
• 공통 분류 및 회귀 신호가 진단 성능을 향상시키는지 평가한다.
• 뇌 열지도(s)를 통해 주요 영역을 식별하여 모델 해석 가능성을 보여준다.
• 두개변 제거(skull-stripping) 및 데이터 증강과 같은 전처리 단계가 성능에 미치는 영향을 평가한다.

제안 방법

• 입력으로 두개골 제거된 3D MRI 데이터(80x100x108x1)를 사용한다.
• 반복되는 컨볼루션-풀링 블록과 두 개의 완전 연결층이 있는 3D-CNN 아키텍처를 개발한다.
• 레이 Leaky ReLU 활성화와 Parkinson vs 건강 분류를 위한 Softmax 출력을 사용해 학습한다.
• 마지막 완전 연결층에 나이와 성별을 추가 특징으로 포함한다.
• 정규화(배치 혹은 그룹)와 정규화(커널/바이어스) 및 하이퍼파라미터 탐색으로 규제화 적용한다.
• Adam 옵티마이저와 교차 엔트로피 손실을 사용하고 재현율에 중점을 둔 F2-스코어로 평가한다.

실험 결과

연구 질문

• RQ1 MRI 데이터만 사용한 엔드투엔드 3D-CNN이 추가적인 인구통계학적 특징(나이, 성별)을 포함할 때 파킨슨 병 분류 정확도를 향상시키는가?
• RQ2 전처리(두개골 제거, 증강) 및 규제화 선택이 PD 대 HC에 대한 일반화를 최대화하는가?
• RQ3 배치 정규화와 그룹 정규화 등의 정규화 기법과 드롭아웃이 학습 안정성과 성능에 어떤 영향을 미치는가?
• RQ4 뇌 열지도 분석이 의학 지식과 일치하는 파킨슨 진단에 중요한 뇌 영역을 식별할 수 있는가?

주요 결과

• 나이와 성별을 포함한 가장 성능이 좋은 단순화 모델은 보고된 실험에서 학습 및 검증 세트 모두에서 100% 정확도와 테스트 세트에서도 100% 정확도를 달성했다.
• 나이와 성별을 추가하면 일반적으로 검증 정확도가 향상되었고(일부 구성에서 최대 5%포인트).
• 정규화 및 규제화 전략은 과적합을 줄이고 종종 검증 정확도를 높였으며(예: 여러 설정에서 89.5%–100%까지).
• 혼동 행렬과 ROC 곡선은 학습/검증/테스트 세트에서 HC 대 PD에 대한 거의 완벽한 구분을 시사하며(제시된 결과에서 AUC = 1.0).
• 히트맵 분석은 기저핵(Basal Ganglia)과 흑질(Substantia Nigra)을 잘 알려진 중요한 영역으로 강조했고, PD 진단에 대해 오른쪽 반구의 상두정엽(Superior Parietal) 영역에 대한 새로운 강조를 제시했다.