[논문 리뷰] Image analysis for Alzheimer's disease prediction: Embracing pathological hallmarks for model architecture design

Sarah C. Brüningk, Felix Hensel외 2명|arXiv (Cornell University)|2020. 11. 12.

Brain Tumor Detection and Classification참고 문헌 9인용 수 4

한 줄 요약

이 논문은 알츠하이머병(AD)에서 국소적 뇌 위축과 전반적 연결성 변화를 동시에 모델링하기 위해 패치 기반 3D 컨volution 신경망(3D-CNN)과 지속성 호모로지를 통한 위상적 데이터 분석(TDA)을 융합한 확장성 있고 하이브리드 딥 러닝 프레임워크를 제안한다. ADNI의 T1-가중 MRI 데이터를 사용하여 인지 기능이 정상인 환자와 알츠하이머병 환자를 분류하는 데 평균 정밀도 0.95±0.03를 달성하였으며, 경쟁력 있는 성능를 보이며 동시에 해석 가능성과 병렬 학습을 가능하게 한다.

ABSTRACT

Alzheimer's disease (AD) is associated with local (e.g. brain tissue atrophy) and global brain changes (loss of cerebral connectivity), which can be detected by high-resolution structural magnetic resonance imaging. Conventionally, these changes and their relation to AD are investigated independently. Here, we introduce a novel, highly-scalable approach that simultaneously captures $ extit{local}$ and $ extit{global}$ changes in the diseased brain. It is based on a neural network architecture that combines patch-based, high-resolution 3D-CNNs with global topological features, evaluating multi-scale brain tissue connectivity. Our local-global approach reached competitive results with an average precision score of $0.95\pm0.03$ for the classification of cognitively normal subjects and AD patients (prevalence $\approx 55\%$).

연구 동기 및 목표

• 알츠하이머병에서 국소적 및 전반적 뇌 변화를 동시에 캡처하는 확장성 있고 고해상도 3D 이미지 분석 프레임워크를 개발하기 위해.
• 노이즈에 강건한 다중 척도 뇌 연결성 특징을 모델링하기 위해 위상적 데이터 분석(TDA)을 딥 러닝과 융합하기 위해.
• 전체 볼륨 기반 3D-CNN 학습의 계산적 한계를 극복하기 위해 패치 기반 접근 방식과 병렬 처리를 활용하기 위해.
• 학습된 특징을 알츠하이머병의 병리학적 특징과 연결하여 모델 예측의 해석 가능성 향상시키기 위해.
• 경미한 인지 장애(MCI) 대 조건과 같은 더 복잡한 임상 분류로의 전이 학습 기반 마련하기 위해.

제안 방법

• 고해상도 T1-가중 MRI 스캔에서 추출한 216개의 부분 볼륨(30×36×30 밴델)에 패치 기반 3D-CNN 아키텍처를 적용하였으며, 하이퍼파ram터는 무작위 검색을 통해 최적화되었다.
• 전체 3D MRI 볼륨에 대해 지속성 호모로지 기반으로 위상적 특징을 추출하였으며, 이를 2D-CNN에 통합하기 위해 영구성 이미지(PI)를 통해 벡터화하였다.
• 두 가지 앙상블 전략을 평가하였는데, (i) 216개의 패치 기반 3D-CNN 예측을 로지스틱 회귀로 조합하고, (ii) 단일 패치 3D-CNN과 전역 TDA 특징을 조합하였다.
• 이미지 전처리에는 재스케일링, 자르기, 다양한 필터(Gaussian, 다운샘플링) 및 영구성 필터링을 적용하여 노이즈를 감소시켰다.
• 최종 모델는 헤 우니폼 초기화와 Adam 옵timizer를 사용한 단순한 3D-CNN 아키텍처를 사용하였으며, 조기 정지 기법을 적용해 2500 에포크 동안 학습시켰다.
• 가장 예측력 있는 이미지 패치와 그에 관련된 위상적 특징을 분석함으로써 모델의 해석 가능성을 확보하였으며, 이는 coronal MRI 슬라이스 상에서 시각화되었다.

실험 결과

연구 질문

• RQ1 국소적 3D-CNN 특징와 전역 위상적 특징을 융합한 하이브리드 딥 러닝 모델이 알츠하이머병 분류 정확도를 향상시킬 수 있는가?
• RQ2 지속성 호모로지 기반 위상적 데이터 분석(TDA)이 구조적 MRI에서 전뇌 연결성 변화 탐지에 기여하는가?
• RQ3 제한된 GPU 메모리 조건에서 전체 볼륨 3D-CNN 학습 대비 패치 기반 3D-CNN 접근 방식의 확장성과 성능는 어떻게 비교되는가?
• RQ4 다양한 패치 예측과 전역 TDA 특징을 융합한 앙상블 모델이 단일 모델 기반 베이스라인에 비해 더 높은 강건성과 일반화 능력을 가지는가?
• RQ5 모델의 예측이 알츠하이머병의 알려진 병리학적 특징과 얼마나 잘 연관되어 있는가?

주요 결과

• 216개의 패치 기반 3D-CNN 예측을 모두 조합한 앙상블 모델은 인지 기능이 정상인 환자와 알츠하이머병 환자를 구분하는 데 평균 정밀도 0.95±0.03를 달성하였다.
• 단일 대표 패치와 위상적 특징(PI)을 사용한 모델도 경쟁적인 성능를 보였으며, 이는 전역 위상적 특징이 국소 패치 수준의 표현과 보완적 역할을 할 수 있음을 시사한다.
• 광범위한 전처리에도 불구하고 위상적 특징은 베이스라인 3D-CNN에 비해 분류 성능 향상에 유의미한 기여를 하지 못했으며, 이는 TDA 파이프라인 설계의 향상 여지가 있음을 시사한다.
• 패치 기반 접근 방식은 매우 높은 병렬 학습을 가능하게 하였으며, 표준 GPU 하드웨어에서 3D-CNN의 경우 1초당 1에포크, 2D-CNN의 경우 0.1초당 1에포크의 추론 속도를 달성하였다.
• 모델는 강력한 확장성과 해석 가능성을 보였으며, 가장 예측력 있는 패치와 그에 관련된 위상적 특징은 식별 및 MRI 슬라이스 상에서 시각화 가능하였다.
• 전체 볼륨 학습이 계산적으로 불가능한 상황에서 고해상도 3D MRI 분석을 위한 단순하고 해석 가능한 3D-CNN 아키텍처와 TDA의 융합 가능성을 입증하였다.