[논문 리뷰] On the design of convolutional neural networks for automatic detection of Alzheimer's disease

Sheng Liu, Chhavi Yadav외 2명|arXiv (Cornell University)|2019. 11. 09.

Brain Tumor Detection and Classification인용 수 18

한 줄 요약

이 논문은 구조적 T1-강조 MRI 스캔을 사용하여 알츠하이머병(AD)을 자동으로 진단하기 위한 3D 컨volution 신경망(CNN) 아키텍처를 제안한다. 인스턴스 정규화, 초기 다운샘플링을 방지하기 위한 작은 커널 크기의 초기 레이어, 넓은 네트워크 폭, 나이 임bedding을 활용한다. 이 모델은 ADNI 데이터셋에서 이전 방법 대비 테스트 정확도가 14% 향상되었으며, 독립적인 AIBL 데이터셋으로도 잘 일반화된다.

ABSTRACT

Early detection is a crucial goal in the study of Alzheimer's Disease (AD). In this work, we describe several techniques to boost the performance of 3D deep convolutional neural networks (CNNs) trained to detect AD using structural brain MRI scans. Specifically, we provide evidence that (1) instance normalization outperforms batch normalization, (2) early spatial downsampling negatively affects performance, (3) widening the model brings consistent gains while increasing the depth does not, and (4) incorporating age information yields moderate improvement. Together, these insights yield an increment of approximately 14% in test accuracy over existing models when distinguishing between patients with AD, mild cognitive impairment, and controls in the ADNI dataset. Similar performance is achieved on an independent dataset.

연구 동기 및 목표

• 딥 러닝을 활용하여 구조적 뇌 MRI 스캔에서 알츠하이머병 진단 정확도를 향상시키는 것.
• 인지 기능이 정상(CN), 경도 인지 장애(MCI), 알츠하이머병(AD) 환자를 구분하는 데 있어 기존 모델의 낮은 분류 성능 문제를 해결하는 것.
• 3D CNN의 성능을 향상시키는 데 기여하는 아키텍처 설계 선택 사항을 조사하는 것.
• 데이터 누출 없이 독립적인 데이터셋(AIBL)에서의 검증을 통해 일반화 성능을 확보하는 것.
• 학습된 특징을 시각화하기 위해 샐런시 맵 분석을 통해 모델의 해석 가능성에 대한 통찰을 제공하는 것.

제안 방법

• 학습 안정성 향상과 성능 향상을 위해 배치 정규화 대신 인스턴스 정규화를 사용한다.
• 초기 공간 다운샘플링을 방지하기 위해 첫 번째 레이어에서 작은 크기의 컨볼루션 커널을 사용하여 공간 해상도를 유지한다.
• 층수는 비교적 적게 유지하면서 각 레이어의 필터 수를 크게 늘려 네트워크 폭을 넓혀 표현 능력을 향상시킨다.
• 자연어 처리 기법을 영감으로 받아 환자의 나이를 학습 가능한 임베딩으로 통합하여 분류 성능을 향상시킨다.
• 입력 MRI 볼륨에 대한 예측 클래스 점수의 기울기 크기를 계산하여 학습된 특징을 시각화하기 위해 샐런시 맵을 계산한다.
• 데이터 누출 방지를 위해 철저한 데이터 분할 전략을 사용하여 ADNI 데이터셋에서 모델을 학습하고 평가하며, 독립적인 AIBL 데이터셋에서 검증한다.

실험 결과

연구 질문

• RQ1 인스턴스 정규화가 MRI 데이터에 대한 3D CNN의 AD 분류 성능에서 배치 정규화를 능가하는가?
• RQ2 조기 공간 다운샘플링은 3D CNN의 AD 진단 성능에 어떤 영향을 미치는가?
• RQ3 분류 정확도 향상에 있어 네트워크 폭 증가와 깊이 증가 중 어느 것이 더 큰 영향을 미치는가?
• RQ4 환자의 나이를 연속형 임베딩으로 통합하면 CN, MCI, AD를 구분하는 데 성능 향상이 가능한가?
• RQ5 제안된 아키텍처는 외부 독립 MRI 데이터셋에 대해 효과적으로 일반화되는가?

주요 결과

• 인스턴스 정규화가 배치 정규화를 능가하여 3D CNN의 모델 안정성과 정확도를 향상시킨다.
• 조기 공간 다운샘플링은 성능을 심각하게 떨어뜨리며, 작은 커널 크기의 초기 레이어를 통해 이를 방지하면 일관된 성능 향상이 이루어진다.
• 네트워크 폭을 넓히는 것(필터 수 증가)은 일관된 성능 향상을 가져오지만, 깊이를 늘리는 것은 그러한 이점을 제공하지 않는다.
• 환자의 나이를 임베딩 특징으로 통합하면 분류 정확도에 중간 정도의 측정 가능한 향상이 이루어진다.
• 제안된 모델은 ADNI 데이터셋에서 기존 모델 대비 테스트 정확도가 14% 향상되었으며, CN, MCI, AD를 구분하는 데에 유의미한 성능 향상을 보였다.
• 모델은 독립적인 AIBL 데이터셋으로도 효과적으로 일반화되었으며, 나이 정보를 사용하지 않았음에도 불구하고 63.6%의 정확도를 달성하여 강력한 특징 학습 능력을 확인했다.