[논문 리뷰] Is Texture Predictive for Age and Sex in Brain MRI?

Nick Pawlowski, Ben Glocker|arXiv (Cornell University)|2019. 07. 25.

Radiomics and Machine Learning in Medical Imaging참고 문헌 8인용 수 6

한 줄 요약

이 연구는 T1 강조 뇌 MRI의 局부 텍스처 특징이 3D 일반화 BagNets—국소적 수용장역할을 가진 신경망을 사용하여 정확한 연령 및 성별 예측에 충분한지 조사한다. 작고 국소적인 수용장역할(9–33 mm³)을 사용함에도 불구하고, 모델은 더 큰 네트워크와 유사한 성능을 달성하였으며, 연령 예측의 평균 절대 오차는 3.86년, 성별 분류 정확도는 84.0%를 기록하였다. 이는 의료 영상에서 텍스처 정보 자체만으로도 매우 예측 가능할 수 있음을 시사한다.

ABSTRACT

Deep learning builds the foundation for many medical image analysis tasks where neuralnetworks are often designed to have a large receptive field to incorporate long spatialdependencies. Recent work has shown that large receptive fields are not always necessaryfor computer vision tasks on natural images. We explore whether this translates to certainmedical imaging tasks such as age and sex prediction from a T1-weighted brain MRI scans.

연구 동기 및 목표

• T1 강조 뇌 MRI에서 국소적 텍스처 특징이 연령 및 성별 예측에 충분한지 확인하는 것.
• 소규모 수용장역할 신경망(BagNets)의 성능을 3D 의료 영상 작업에 평가하는 것.
• 뇌 MRI에서 정확한 연령 및 성별 예측을 위해 전반적인 공간적 구조가 필수적인지 조사하는 것.
• 소규모 수용장역할 모델이 의료 영상 분석에서 국소 예측의 해석 가능성에 어떻게 기여하는지 탐색하는 것.

제안 방법

• 2D 컨볼루션을 3D 컨볼루션으로 교체하고 특징 맵 수를 절반으로 줄여 3D 의료 영상에 일반화된 BagNets를 구현하였다.
• 1×1 컨볼루션 커널을 사용하여 수용장역할을 9, 17, 33, 및 177 mm³로 제한하여 특징의 국소성 강제.
• 전역 평균 풀링을 적용하여 국소 특징의 백업 표현을 만들고, 이후 선형 분류기를 사용하여 예측.
• 작은 배치 크기(1)로 인해 인스턴스 정규화를 사용하여 모델을 훈련하였으며, 16배치에 걸쳐 기울기 누적.
• 학습률 감쇠와 L2 정규화를 사용한 Adam 옵timizer로 최적화하였으며, 성별 분류에는 교차 엔트로피 손실, 연령 회귀에는 MSE 손실을 사용.
• 전역 평균 풀링과 최종 선형 레이어의 순서를 재정렬하여 국소 예측 맵 추출 기능 활성화.

실험 결과

연구 질문

• RQ1 T1 강조 뇌 MRI에서 작은 수용장역할에서 추출한 텍스처 특징이 더 큰 수용장역할과 동일한 정확도로 연령 및 성별을 예측할 수 있는가?
• RQ2 딥 러닝 모델의 연령 및 성별 예측 성능이 전반적인 공간적 맥락에 의존하는가, 아니면 국소적 텍스처 정보만으로도 달성 가능한가?
• RQ3 소규모 수용장역할 모델의 국소 예측은 대규모 수용장역할 모델의 예측과 해석 가능성 및 공간 분포 측면에서 어떻게 비교되는가?
• RQ4 제한된 의료 영상 데이터셋에서 훈련할 경우, 큰 수용장역할을 가진 모델에서 과적합이 더 발생할 가능성이 있는가?

주요 결과

• 9 mm³의 수용장역할에서 연령 회귀의 평균 절대 오차는 5.53년, 성별 분류 정확도는 83.2%를 기록하여 최소한의 국소 맥락에서도 뛰어난 성능을 입증하였다.
• 가장 큰 수용장역할(177 mm³)은 가장 낮은 평균 절대 오차(3.86년)를 기록했지만 과적합의 징후를 보였으며, 이는 성능의 상충 관계를 시사한다.
• 17 mm³, 33 mm³, 177 mm³ 수용장역할에서 성별 분류 정확도는 84.0%로 안정적으로 유지되어 수용장역할 크기 변화에 대해 강건함을 보였다.
• 연령 회귀에서는 국소 예측의 변동성이 높았으며, 부피 수준의 평균 예측에 크게 기여하는 고가치 영역은 소수에 불과하였다.
• 소규모 수용장역할 모델의 국소 예측은 자연 이미지 분석에서의 이전 연구에 비해 해석 가능성이 떨어져 임상적 해석에 도전 과제가 있음을 시사했다.
• 결과적으로, 전반적인 구조 모델링 없이도 텍스처 정보만으로도 T1 뇌 MRI에서 연령 및 성별 예측에 매우 예측 가능할 수 있음을 시사한다.