[논문 리뷰] Large-Scale Unsupervised Deep Representation Learning for Brain Structure

Ayush Jaiswal, Dong Guo외 2명|arXiv (Cornell University)|2018. 05. 02.

Functional Brain Connectivity Studies참고 문헌 10인용 수 3

한 줄 요약

이 논문은 도메인 특화 기능이나 수동 조작 없이 구조적 뇌 MRI 스캔의 일반적인 저차원 표현을 학습하기 위해 컨volutional autoencoder(모델명: CAE)를 사용하는 대규모 비지도 딥 러닝 프레임워크를 제안한다. 이 방법은 FreeSurfer 기능과 유사한 분류 성능를 달성하면서도, 특징 추출 시간을 시간에서 0.5초 이내로 단축시킨다.

ABSTRACT

Machine Learning (ML) is increasingly being used for computer aided diagnosis of brain related disorders based on structural magnetic resonance imaging (MRI) data. Most of such work employs biologically and medically meaningful hand-crafted features calculated from different regions of the brain. The construction of such highly specialized features requires a considerable amount of time, manual oversight and careful quality control to ensure the absence of errors in the computational process. Recent advances in Deep Representation Learning have shown great promise in extracting highly non-linear and information-rich features from data. In this paper, we present a novel large-scale deep unsupervised approach to learn generic feature representations of structural brain MRI scans, which requires no specialized domain knowledge or manual intervention. Our method produces low-dimensional representations of brain structure, which can be used to reconstruct brain images with very low error and exhibit performance comparable to FreeSurfer features on various classification tasks.

연구 동기 및 목표

• 수동으로 설계된 도메인 특화 기능에 의존하지 않는 구조적 뇌 MRI를 위한 비지도 딥 표현 학습 방법을 개발한다.
• FreeSurfer와 같은 전통적 도구의 한계를 해결한다. 이는 수동 품질 검사가 필요하고, 비정상 뇌에서는 실패하는 고정된 해부학적 사전 지식을 가정하기 때문이다.
• 다양한 뇌 영상 데이터셋에 일반화되고 더 많은 데이터로 적응 가능한 확장 가능한 종단간 딥 러닝 프레임워크를 구축한다.
• 자기지도 특징이 CAE에서 유도된 특징이 임상 분류 작업에서 기존의 FreeSurfer 특징과 동등하거나 이를 초월할 수 있는지 평가한다.

제안 방법

• ADNI, ABIDE-I, HCP를 포함한 아홉 개인 데이터셋으로부터 확보한 15,485건의 sBMRI 스캔을 대상으로 세 가지 CAE 아키텍처—CAE-staged, CAE-joint, CAE-3D—를 훈련시켰다.
• CAE-staged는 두 개의 별도 자동에코더를 사용한다: 2D 축방향 슬라이스를 위한 하나와, 프레임 수준 표현을 조합하여 3D 뇌 임베딩을 만드는 또 다른 하나이다.
• CAE-joint은 두 단계를 하나의 종단간 훈련 가능한 네트워크로 통합하여 2D 슬라이스 간의 공동 특징 학습을 수행한다.
• CAE-3D는 3D 컨볼루션을 직접 볼륨형 MRI 데이터에 적용하여 슬라이스 별 처리 없이 3D 잠재 표현을 학습한다.
• 모든 데이터 소스 간 표준화를 위해 머리뼈 제거 및 자르기 작업을 수행하여 200×200×200 등방성 볼륨으로 조정하였다.
• 재구성 손실과 잠재 공간 정규화를 적용하여 구조적 정보를 유지하면서도 의미 있는 저차원 표현을 확보하였다.

실험 결과

연구 질문

• RQ1 CAE를 통한 비지도 딥 표현 학습이 FreeSurfer의 수동 설계된 특징과 동등한 진단 성능을 내는 뇌 MRI 특징을 생성할 수 있는가?
• RQ2 CAE 기반 특징은 신경퇴행성 및 신경발달 장애를 포함한 다양한 분류 작업에서 FreeSurfer 특징과 비교해 어떻게 성능를 보이는가?
• RQ3 제안된 CAE 모델은 FreeSurfer의 계산 비용이 매우 높은 ReconAll 파이프라인에 비해 특징 추출 시간을 얼마나 줄이는가?
• RQ4 아홉 가지 다양한 뇌 영상 데이터셋의 데이터를 통합함으로써 학습된 표현의 강인성과 일반화 능력이 향상되는가?
• RQ5 기존 해부학적 사전 지식이 실패하는 비정상적인 뇌 형태에서도 학습된 표현이 일반화되는가?

주요 결과

• CAE-3D는 H-ADNI 대 조건부 치매(AD)에서 AUROC 0.81, H-ABIDE 대 자폐 스펙트럼 장애(ASD)에서 AUROC 0.80를 기록하여, 이 작업들에서 FreeSurfer의 성능을 맞추거나 초월하였다.
• CAE-joint과 CAE-3D는 대부분의 분류 작업에서 CAE-staged를 능가했으며, 특히 CAE-3D가 데이터셋 간 일반화 능력에서 가장 뛰어났다.
• CAE-3D를 사용한 특징 추출은 스캔당 0.45초가 걸렸고, FreeSurfer의 ReconAll 파이프라인은 스캔당 20~47시간이 소요되었다.
• CAE 기반 특징은 매우 낮은 재구성 오차로 뇌 영상을 재구성하여, 잠재 공간 내에서 높은 정보 유지 능력을 보였다.
• H-ADNI 대 MCI 작업에서 CAE-3D는 로지스틱 회귀로 AUROC 0.76, 랜덤 포레스트로 AUROC 0.80를 기록했으며, FreeSurfer의 0.77과 0.81에 매우 가까운 성능를 보였다.
• 이 방법은 비정상적인 뇌 구조를 포함한 다양한 데이터셋에서도 고정된 해부학적 사전 지식에 의존하지 않고도 강인성을 보였다.