[논문 리뷰] Leveraging Deep Learning and Xception Architecture for High-Accuracy MRI Classification in Alzheimer Diagnosis

Shaojie Li, Haichen Qu외 4명|arXiv (Cornell University)|2024. 03. 24.

Brain Tumor Detection and Classification인용 수 9

한 줄 요약

사전학습된 Xception 기반 CNN을 MRI 데이터와 함께 사용하여 네 가지 알츠하이머 MRI 등급에서 99.6%의 정확도를 달성합니다. 카테고리별로 높은 정밀도, 재현율 및 F1-score를 보여줍니다.

ABSTRACT

Exploring the application of deep learning technologies in the field of medical diagnostics, Magnetic Resonance Imaging (MRI) provides a unique perspective for observing and diagnosing complex neurodegenerative diseases such as Alzheimer Disease (AD). With advancements in deep learning, particularly in Convolutional Neural Networks (CNNs) and the Xception network architecture, we are now able to analyze and classify vast amounts of MRI data with unprecedented accuracy. The progress of this technology not only enhances our understanding of brain structural changes but also opens up new avenues for monitoring disease progression through non-invasive means and potentially allows for precise diagnosis in the early stages of the disease. This study aims to classify MRI images using deep learning models to identify different stages of Alzheimer Disease through a series of innovative data processing and model construction steps. Our experimental results show that the deep learning framework based on the Xception model achieved a 99.6% accuracy rate in the multi-class MRI image classification task, demonstrating its potential application value in assistive diagnosis. Future research will focus on expanding the dataset, improving model interpretability, and clinical validation to further promote the application of deep learning technology in the medical field, with the hope of bringing earlier diagnosis and more personalized treatment plans to Alzheimer Disease patients.

연구 동기 및 목표

• 딥러닝 프레임워크가 MRI 이미지를 알츠하이머병 단계 카테고리로 정확하게 분류할 수 있는지 조사한다.
• Xception 아키텍처를 특징 추출기로 활용하여 분류 성능을 향상시키는 것을 목표로 한다.
• 데이터 증가, 정규화, 전이 학습 기법을 통해 모델의 강건성을 평가한다.

제안 방법

• 사전 학습된 Xception을 특징 추출기로 사용하는 커스텀 CNN을 구성한다(include_top=False, pooling='max').
• Flatten 추가, 두 개의 Dropout 층(0.3 및 0.25), ReLU를 가진 128 뉴런 Dense 층, 그리고 네 클래스를 위한 소프트맥스 출력.
• 데이터 증가와 Adam 옵티마이저, 그리고 categorical_crossentropy 손실로 학습한다.
• 얼리 스탑핑과 모델 체크포인트를 사용하고, 정밀도, 재현율, F1-score로 평가한다.

실험 결과

연구 질문

• RQ1 Xception 기반 아키텍처가 다중 분류 MRI 알츠하이머 단계에서 높은 정확도를 달성할 수 있는가?
• RQ2 MRI 기반 AD 분류 성능에 대한 전이 학습과 데이터 증대의 영향은 무엇인가?
• RQ3 모델이 치매 단계 전반에서 정밀도와 재현율의 균형을 얼마나 잘 달성하는가?

주요 결과

• 모델은 테스트 세트에서 전체 정확도 99.6%를 달성한다.
• 각 클래스별 정밀도와 재현율은 경미 및 중등 치매 클래스가 1.00, 비치매 및 매우 경미한 치매 클래스가 0.99이다.
• F1 점수는 경미 및 중등 치매에서 1.00, 비치매 및 매우 경미한 치매에서 0.99이다.
• 표 1은 클래스별 정밀도, 재현율, F1-점수 및 서포트 값을 보여준다(경미 치매: 2693; 중등 치매: 1977; 비치매: 2811; 매우 경미 치매: 2715).
• 지표의 매크로 및 가중 평균은 1에 근접하여 클래스 간 균형 잡힌 성능을 시사한다.