[논문 리뷰] Multimodal and Multiscale Deep Neural Networks for the Early Diagnosis of Alzheimer's Disease using structural MR and FDG-PET images

Donghuan Lu, Karteek Popuri외 3명|arXiv (Cornell University)|2017. 10. 13.

Brain Tumor Detection and Classification참고 문헌 40인용 수 43

한 줄 요약

이 연구는 알츠하이머병의 조기 진료를 향상시키기 위해 구조적 MRI와 FDG-PET 영상을 융합하는 다중모odal 및 다중스케일 딥 네ural 네트워크를 제안한다. 다양한 공간 스케일과 영상 모odal 간의 특징을 활용함으로써, 모델은 3년 이내에 알츠하이머병으로의 전환을 85.68%의 정확도로 예측하며, 기존 방법들을 능가한다.

ABSTRACT

Alzheimer's Disease (AD) is a progressive neurodegenerative disease. Amnestic mild cognitive impairment (MCI) is a common first symptom before the conversion to clinical impairment where the individual becomes unable to perform activities of daily living independently. Although there is currently no treatment available, the earlier a conclusive diagnosis is made, the earlier the potential for interventions to delay or perhaps even prevent progression to full-blown AD. Neuroimaging scans acquired from MRI and metabolism images obtained by FDG-PET provide in-vivo view into the structure and function (glucose metabolism) of the living brain. It is hypothesized that combining different image modalities could better characterize the change of human brain and result in a more accuracy early diagnosis of AD. In this paper, we proposed a novel framework to discriminate normal control(NC) subjects from subjects with AD pathology (AD and NC, MCI subjects convert to AD in future). Our novel approach utilizing a multimodal and multiscale deep neural network was found to deliver a 85.68\% accuracy in the prediction of subjects within 3 years to conversion. Cross validation experiments proved that it has better discrimination ability compared with results in existing published literature.

연구 동기 및 목표

• 구조적 MRI와 FDG-PET 영상 데이터를 통합하여 알츠하이머병의 조기 진료를 향상시키기 위해.
• 신경영상에서의 제한된 훈련 데이터 문제를 다루기 위해 다중스케일 특징 추출을 활용하기 위해.
• 해부학적 및 대사적 뇌 정보의 다중모달 융합을 통해 분류 성능을 향상시키기 위해.
• 경도 인지 장애(MCI)를 보이는 개인의 알츠하이머병 전환 가능성을 최대 3년 전에 예측하기 위해.
• 다중모달 및 다중스케일 딥 러닝이 단일모달 또는 단일스케일 접근 방식보다 우수한지 평가하기 위해.

제안 방법

• 프레임워크는 다양한 해상도에서 다중스케일 패치 추출을 통해 MRI 및 FDG-PET 영상을 처리하여 국소적 및 전반적 특징을 캡처한다.
• MRI와 FDG-PET에서 유도된 다중모달 특징는 결합되어 깊이 있는 신경망에 입력되어 공동 표현 학습을 수행한다.
• 스택드 오토인코더 기반의 딥 네ural 네트워크는 융합된 다중스케일 입력에서 계층적 비선형 특징을 학습하기 위해 사용된다.
• 교차검증은 대조군(sNC), 전구증상성 MCI(pMCI), 증상이 있는 AD(sAD) 환자를 포함한 여러 훈련 세트에서 수행된다.
• 모델은 알츠하이머병 경로상에 있는 환자(pNC, pMCI, sAD) 또는 영향을 받지 않은 환자(sNC)로 분류하도록 훈련되며, 정확도, 민감도 및 특이도를 사용하여 성능을 평가한다.
• 임상 진단 이전 1년, 2년, 3년 전에 분류 성능을 평가하여 조기 예측 능력을 평가한다.

실험 결과

연구 질문

• RQ1 구조적 MRI와 FDG-PET의 다중스케일 특징를 융합하는 딥 네ural 네트워크가 알츠하이머병 병리의 조기 탐지에 기여할 수 있는가?
• RQ2 해부학적(MRI) 및 대사적(FDG-PET) 영상 모달을 함께 포함할 경우, 단일모달 접근 방식과 비교해 분류 정확도에 어떤 영향을 미치는가?
• RQ3 다중스케일 특징 추출이 신경영상 기반의 AD 예측에서 딥 러닝 모델의 분류 능력을 향상시키는가?
• RQ4 이미징 이후 3년 이내에 알츠하이머병으로 전환할 개인에 대해 모델의 예측 정확도는 얼마인가?
• RQ5 훈련 데이터 구성(예: pNC 및 pMCI 포함 여부)이 모델이 위험군을 탐지하는 능력에 어떤 영향을 미치는가?

주요 결과

• 제안된 다중모달 및 다중스케일 딥 네ural 네트워크는 이미징 이후 3년 이내에 알츠하이머병으로의 전환을 85.68%의 정확도로 예측하였다.
• pNC, pMCI, sAD로 구성된 병리 경로를 기반으로 훈련한 모델는 sAD 단독으로 훈련한 모델보다 우수했으며, 발병 1년 전에 전환 예측 정확도가 90.08%에 달했다.
• 3년 전 예측에 대한 민감도는 85.68%였고, 특이도는 86.32%였으며, 위험군을 식별하는 데 강력한 성능을 보였다.
• MRI와 FDG-PET 데이터의 융합은 단독으로 어떤 모달리티를 사용하는 것보다 더 높은 정확도를 달성했으며, 다중모달 통합의 이점을 입증했다.
• 교차검증 결과, 제안된 방법이 기존에 발표된 접근 방식보다 분류 능력에서 뛰어나다는 것이 확인되었다.
• 더 다양한 훈련 데이터, 특히 pNC 및 pMCI 환자 포함 시 모델의 성능이 향상되었으며, 이는 종단적 병리 경로 데이터가 예측 능력을 향상시킨다는 것을 시사한다.