[논문 리뷰] fMRI Based Cerebral Instantaneous Parameters for Automatic Alzheimer's, Mild Cognitive Impairment and Healthy Subject Classification

Esmaeil Seraj, Mehran Yazdi외 1명|arXiv (Cornell University)|2019. 01. 01.

Functional Brain Connectivity Studies참고 문헌 2인용 수 1

한 줄 요약

이 연구는 뇌의순간적 위상과 환경 특징을 이용한 fMRI 기반 분류 프레임워크를 제안하여 알츠하이머병(AD), 경도 인지 장애(MCI), 건강한 대조군을 구분한다. ROI 분석을 적용하고, 위상 및 환경 신호에서 파wer, 엔트로피, 일치성 특징을 추출하며, SFFFS와 t-검정을 통해 특징 선택을 수행함으로써, 전체 정확도 80.1%와 AD 및 정상 분류에 대해 각각 80.0%의 민감도를 달성하였다. 이는 최신 기술 수준의 접근 방식과 유사한 성능을 보였다.

ABSTRACT

Automatic identification and categorization of Alzheimer's patients and the ability to distinguish between different levels of this disease can be very helpful to the research community in this field, since other non-automatic approaches are very time-consuming and are highly dependent on experts' experience. Herein, we propose the utility of cerebral instantaneous phase and envelope information in order to discriminate between Alzheimer's patients, MCI subjects and healthy normal individuals from functional magnetic resonance imaging (fMRI) data. To this end, after performing the region-of-interest (ROI) analysis on fMRI data, different features covering power, entropy and coherency aspects of data are derived from instantaneous phase and envelope sequences of ROI signals. Various sets of features are calculated and fed to a sequential forward floating feature selection (SFFFS) to choose the most discriminative and informative sets of features. A Student's t-test has been used to select the most relevant features from chosen sets. Finally, a K-NN classifier is used to distinguish between classes in a three-class categorization problem. The reported performance in overall accuracy using fMRI data of 111 combined subjects, is 80.1% with 80.0% Sensitivity to both Alzheimer's and Normal categories distinction and is comparable to the state-of-the-art approaches recently proposed in this regard. The significance of obtained results was statistically confirmed by evaluating through standard classification performance indicators. The obtained results illustrate that introduced analytic phase and envelope feature indexes derived from the ROI signals are significantly discriminative in distinguishing between Alzheimer's patients and Normal healthy subject.

연구 동기 및 목표

• fMRI 데이터를 이용하여 알츠하이머병, MCI 및 건강한 환자를 자동으로, 객관적으로 분류하는 방법을 개발하기 위해.
• 신경퇴행성 질환 진단에서 전문가 의존적이고 시간이 오래 걸리는 수작업 분류 방법의 한계를 극복하기 위해.
• fMRI 신호에서 유도된 순간적 위상과 환경 특징의 분류 잠재력을 뇌 기능 연결성 분석 측면에서 탐색하기 위해.
• 고도로 발전된 특징 추출 및 선택 기법을 통해 기능적 뇌 신호의 시간적 동역학을 활용하여 분류 정확도를 향상시키기 위해.
• 실제 fMRI 데이터셋(111명의 환자)을 이용하여 표준 분류 지표와 통계적 유의성 검정을 통해 방법의 성능을 검증하기 위해.

제안 방법

• 편안한 상태의 fMRI 데이터에서 정의된 뇌 영역에서 시간 시리즈를 추출하기 위해 영역-관심(ROI) 분석을 수행한다.
• 히르베르트 변환을 사용하여 ROI 신호의 순간적 위상과 환경을 계산하여 동적 신경 활동 패턴을 캡처한다.
• 위상 및 환경 시퀀스에서 파워, 엔트로피, 그리고 위상 고정 값(PLV)-기반 일치성 특징을 포함한 다변량 특징을 추출한다.
• 가장 정보가 풍부하고 중복이 없는 특징 조합을 식별하기 위해 순차적 전진 부유 특징 선택(SFFFS)을 적용한다.
• 선택된 특징 세트에 대해 두 표본 t-검정을 수행하여 추가로 통계적으로 유의미한 특징을 정밀하게 선별한다.
• 최종 특징 세트를 기반으로 K-최근접 이웃(K-NN) 분류기를 훈련시켜 삼중 분류(AD, MCI, 건강)를 수행한다.

실험 결과

연구 질문

• RQ1 fMRI 신호에서 유도된 순간적 위상과 환경 특징는 알츠하이머병, MCI 및 건강한 환자를 효과적으로 구분할 수 있는가?
• RQ2 파워, 엔트로피, 일치성 등의 위상 및 환경 유도 특징 조합 중에서 가장 높은 분류 정확도를 달성하는 조합은 무엇인가?
• RQ3 제안된 특징 선택 파이프라인(SFFFS + t-검정)은 기본 특징 세트에 비해 분류 성능을 어떻게 향상시키는가?
• RQ4 제안된 방법의 성능은 fMRI 기반 신경퇴행성 질환 분류 분야에서 최신 기술 수준의 접근 방식과 통계적으로 유의미하고 유사한가?
• RQ5 기본 모드 네트워크 내 위상과 환경 역학은 알츠하이머병 및 MCI에서의 병리적 변화를 어느 정도 반영하는가?

주요 결과

• 제안된 방법은 AD, MCI 및 건강한 대조군을 포함한 총 111명의 환자로 구성된 데이터셋에서 전체 분류 정확도 80.1%를 달성하였다.
• 알츠하이머병 및 건강한 대조군에 대한 민감도가 각각 80.0%로 동일하게 유지되어, 두 핵심 클래스에 대한 강력한 분류 능력을 보였다.
• 순간적 위상과 환경 특징의 사용은 전통적인 fMRI 특징 세트에 비해 분류 성능 향상에 상당한 기여를 하였다.
• SFFFS와 t-검정을 통한 특징 선택은 중복을 효과적으로 줄이고 선택된 특징의 관련성을 향상시켜 견고한 분류에 기여하였다.
• 표준 성능 지표를 사용한 통계적 검증을 통해 결과의 신뢰성과 유의성을 확인하였다.
• 이 방법은 비침습적이고 자동화된 도구로서 신경퇴행성 질환의 조기 진단 및 단계 분류에 강력한 임상 적용 잠재력을 보여주었다.