[논문 리뷰] MRI-based Multi-task Decoupling Learning for Alzheimer's Disease Detection and MMSE Score Prediction: A Multi-site Validation

Xu Tian, Jin Liu외 4명|arXiv (Cornell University)|2022. 04. 02.

Brain Tumor Detection and Classification인용 수 4

한 줄 요약

이 논문은 알츠하이머병 진단과 MMSE 점수 예측을 위한 MRI 기반 다중 작업 분리 학습 프레임워크를 제안하며, 공유된 특징 표현을 통해 세 개의 다중 작업 상호작용 레이어와 특징 분리 및 일致성 손실을 활용하여 일반화 능력을 향상시킵니다. 이 방법은 다수의 기관에서 수집한 MRI 데이터셋에서 단일 작업 및 기존 최신 기술 대비 뛰어난 성능을 보입니다.

ABSTRACT

Accurately detecting Alzheimer's disease (AD) and predicting mini-mental state examination (MMSE) score are important tasks in elderly health by magnetic resonance imaging (MRI). Most of the previous methods on these two tasks are based on single-task learning and rarely consider the correlation between them. Since the MMSE score, which is an important basis for AD diagnosis, can also reflect the progress of cognitive impairment, some studies have begun to apply multi-task learning methods to these two tasks. However, how to exploit feature correlation remains a challenging problem for these methods. To comprehensively address this challenge, we propose a MRI-based multi-task decoupled learning method for AD detection and MMSE score prediction. First, a multi-task learning network is proposed to implement AD detection and MMSE score prediction, which exploits feature correlation by adding three multi-task interaction layers between the backbones of the two tasks. Each multi-task interaction layer contains two feature decoupling modules and one feature interaction module. Furthermore, to enhance the generalization between tasks of the features selected by the feature decoupling module, we propose the feature consistency loss constrained feature decoupling module. Finally, in order to exploit the specific distribution information of MMSE score in different groups, a distribution loss is proposed to further enhance the model performance. We evaluate our proposed method on multi-site datasets. Experimental results show that our proposed multi-task decoupled representation learning method achieves good performance, outperforming single-task learning and other existing state-of-the-art methods.

연구 동기 및 목표

• 기존의 MRI 기반 방법에서 알츠하이머병 진단과 MMSE 점수 예측 간 상관관계를 제대로 활용하지 못하는 문제를 해결하기 위해.
• 일致성 손실를 통해 공유 및 작업별 특징을 명시적으로 분리함으로써 모델의 일반화 능력을 향상시키기 위해.
• 다양한 인지 기능 저하 그룹 간의 MMSE 점수 분포를 모델링하여 예측 성능을 향상시키기 위해.
• 다수 기관의 MRI 데이터셋에서 방법의 유효성을 검증하여 강건성과 임상 적용 가능성을 확보하기 위해.

제안 방법

• 알츠하이머병 진단과 MMSE 예측을 위한 공유 백본을 갖춘 다중 작업 학습 네트워크를 설계하였으며, 세 개의 다중 작업 상호작용 레이어로 연결됩니다.
• 각 다중 작업 상호작용 레이어에는 두 개의 특징 분리 모듈과 하나의 특징 상호작용 모듈이 포함되어 상호작용을 모델링합니다.
• 분리된 특징을 정규화하기 위해 특징 일치성 손실을 도입하여, 작업 간 일반화 능력을 향상시킵니다.
• 그룹별로 특징적인 MMSE 점수 분포를 포착하기 위해 분포 손실을 제안하여 회귀 정확도를 향상시킵니다.
• 도메인 이탈에 강건하기 위해 다수 기관의 MRI 데이터셋에서 엔드 투 엔드로 모델을 훈련시킵니다.

실험 결과

연구 질문

• RQ1 공유 및 작업별 특징을 효과적으로 분리하여 통합된 알츠하이머병 진단과 MMSE 예측 성능을 향상시킬 수 있는가?
• RQ2 다수 기관의 MRI 환경에서 작업 간 특징 일치성을 강제로 적용할 경우, 모델의 일반화 능력 향상 정도는 어느 정도인가?
• RQ3 인지 기능 저하 그룹 간의 MMSE 점수 분포를 모델링하면 예측 성능 향상에 기여하는가?
• RQ4 제안된 방법은 다수 기관의 데이터에서 단일 작업 학습 및 기존 최신 기술 다중 작업 접근법보다 어떻게 비교되는가?

주요 결과

• 제안된 다중 작업 분리 학습 방법은 알츠하이머병 진단 및 MMSE 점수 예측 작업 모두에서 단일 작업 학습 대비 뛰어난 성능을 달성합니다.
• 특징 일치성 손실의 포함으로 인해 공유 표현의 일반화 능력이 향상됩니다.
• 분포 손실은 인지 기능 저하의 그룹별 변화를 포착함으로써 MMSE 점수 예측 정확도를 크게 향상시킵니다.
• 다양한 기관에서 수집한 독립적인 MRI 데이터셋 간에 강건성과 일반화 능력이 뛰어나다는 것을 입증합니다.