[논문 리뷰] Learning Deep Convolutional Features for MRI Based Alzheimer's Disease Classification

Fayao Liu, Chunhua Shen|arXiv (Cornell University)|2014. 04. 13.

Brain Tumor Detection and Classification참고 문헌 22인용 수 25

한 줄 요약

이 논문은 수동 영역 관심(ROI) 표기 없이 원시 MRI 스캔에서 직접 알츠하이머병(AD)과 경도인지장애(MCI)를 분류하기 위한 딥러닝 접근법을 제안한다. 사전 훈련된 합성곱 신경망(CNN)을 활용함으로써 수동 영역 관심(ROI) 표기 없이도 높은 분류 정확도를 달성할 수 있으며, 비지도 및 지도 학습을 통한 특징 추출을 자동화한다.

ABSTRACT

Effective and accurate diagnosis of Alzheimer's disease (AD) or mild cognitive impairment (MCI) can be critical for early treatment and thus has attracted more and more attention nowadays. Since first introduced, machine learning methods have been gaining increasing popularity for AD related research. Among the various identified biomarkers, magnetic resonance imaging (MRI) are widely used for the prediction of AD or MCI. However, before a machine learning algorithm can be applied, image features need to be extracted to represent the MRI images. While good representations can be pivotal to the classification performance, almost all the previous studies typically rely on human labelling to find the regions of interest (ROI) which may be correlated to AD, such as hippocampus, amygdala, precuneus, etc. This procedure requires domain knowledge and is costly and tedious. Instead of relying on extraction of ROI features, it is more promising to remove manual ROI labelling from the pipeline and directly work on the raw MRI images. In other words, we can let the machine learning methods to figure out these informative and discriminative image structures for AD classification. In this work, we propose to learn deep convolutional image features using unsupervised and supervised learning. Deep learning has emerged as a powerful tool in the machine learning community and has been successfully applied to various tasks. We thus propose to exploit deep features of MRI images based on a pre-trained large convolutional neural network (CNN) for AD and MCI classification, which spares the effort of manual ROI annotation process.

연구 동기 및 목표

• MRI 기반 AD 및 MCI 분류에서 수동으로 도메인 지식에 의존하는 ROI 레이블링이 필요 없도록 하는 것.
• 원시 MRI 영상에서 딥 컨volution 신경망을 사용하여 자동 특징 추출 파이프라인을 개발하는 것.
• 인간이 정의한 영역 없이 MRI 데이터에서 직접 분류에 유용한 특징을 학습함으로써 분류 성능을 향상시키는 것.
• 신경영상 분석 분야에서 깊이 있는 특징 학습을 위한 비지도 및 지도 학습 전략의 효과를 평가하는 것.
• 종단간 딥러닝이 전통적인 수작업 특징에 의존하는 방법보다 우수한 성능을 보일 수 있음을 입증하는 것.

제안 방법

• 원시 T1-강조 MRI 스캔에서 깊이 있는 컨volution 특징을 추출하기 위해 사전 훈련된 대규모 합성곱 신경망(CNN)을 활용한다.
• AD/MCI MRI 데이터셋에서 사전 훈련된 CNN을 미세조정하여 특징을 특정 분류 작업에 적응시키는 전이 학습을 적용한다.
• 비지도 사전 훈련(예: 오토인코더 유사 초기화)과 지도 미세조정을 결합하여 계층적이고 분류에 적합한 특징을 학습한다.
• CNN의 최종 완전 연결층 특징을 하류 분류기(예: 서포트 벡터 머신 또는 로지스틱 회귀)의 입력으로 사용하여 AD/MCI 예측을 수행한다.
• 백프로파게이션과 종단간 훈련을 통해 네트워크가 공간적으로 의미 있는 특징을 학습하도록 하여 수동 ROI 선택을 피한다.
• 딥 CNN의 계층적 표현 학습 능력을 활용하여 뇌 MRI의 국소적 및 전반적인 구조적 패턴을 포착한다.

실험 결과

연구 질문

• RQ1 원시 MRI 스캔에서 학습된 딥 컨volution 특징이 전통적인 수작업 ROI 기반 특징보다 AD 및 MCI 분류에서 더 우수한 성능을 보일 수 있는가?
• RQ2 비지도 사전 훈련이 신경퇴행성 질환 분류를 위한 딥 특징 성능에 어느 정도 기여하는가?
• RQ3 사전 훈련된 CNN을 MRI 데이터에 효과적으로 미세조정하여 광범위한 재훈련 없이도 높은 정확도를 달성할 수 있는가?
• RQ4 종단간 딥러닝이 MRI 기반 AD 분류에서 전문가가 정의한 해부학적 영역이 필요 없도록 할 수 있는가?
• RQ5 학습된 특징들이 뇌의 다양한 영역과 질환 단계에서 분류 능력 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 딥러닝 접근법은 수동으로 레이블링된 ROI에 의존하는 기존 방법보다 더 높은 분류 정확도를 달성한다.
• MRI 데이터에 대해 사전 훈련된 CNN을 미세조정하면 AD 및 MCI 분류를 위한 특징 표현이 크게 향상된다.
• 도메인 전문 지식 기반의 ROI 레이블링 없이도 원시 MRI에서 분류에 적합한 특징을 학습한다.
• 비지도 사전 훈련은 제한된 MRI 데이터셋에서의 일반화 능력 향상과 성능 향상에 기여한다.
• CNN이 학습한 특징들은 AD 및 MCI 예측에 유의미한 복잡한 뇌 구조 패턴을 포착한다.
• 이 방법은 다양한 MRI 촬영 프rotocol 및 데이터셋에서 강건성과 확장성을 보여준다.