[논문 리뷰] Predicting brain-age from raw T 1 -weighted Magnetic Resonance Imaging data using 3D Convolutional Neural Networks

L. Fisch, Jan Ernsting외 34명|arXiv (Cornell University)|2021. 03. 22.

Advanced Neural Network Applications참고 문헌 26인용 수 9

한 줄 요약

이 연구는 원시로 가공되지 않은 T1-weighted MRI 스캔에서 직접 뇌 연령을 예측하는 3D ResNet 기반의 합성곱 신경망을 소개한다. 이 모델은 평균 절대 오차(MAE)가 2.84년으로, 광범위한 전처리를 필요로 하는 최신 기술보다 뛰어난 성능을 보였다. 이 접근법은 정렬 및 전처리 파이프라인에 의존하지 않아, 전이 학습을 통해 다양한 데이터셋에서 더 빠르고 강건하며 정확한 뇌 연령 추정이 가능해졌다.

ABSTRACT

Age prediction based on Magnetic Resonance Imaging (MRI) data of the brain is a biomarker to quantify the progress of brain diseases and aging. Current approaches rely on preparing the data with multiple preprocessing steps, such as registering voxels to a standardized brain atlas, which yields a significant computational overhead, hampers widespread usage and results in the predicted brain-age to be sensitive to preprocessing parameters. Here we describe a 3D Convolutional Neural Network (CNN) based on the ResNet architecture being trained on raw, non-registered T$_ 1$-weighted MRI data of N=10,691 samples from the German National Cohort and additionally applied and validated in N=2,173 samples from three independent studies using transfer learning. For comparison, state-of-the-art models using preprocessed neuroimaging data are trained and validated on the same samples. The 3D CNN using raw neuroimaging data predicts age with a mean average deviation of 2.84 years, outperforming the state-of-the-art brain-age models using preprocessed data. Since our approach is invariant to preprocessing software and parameter choices, it enables faster, more robust and more accurate brain-age modeling.

연구 동기 및 목표

• 이미지 정렬과 같은 계산적으로 비용이 많이 드는 전처리 단계를 회피하는 뇌 연령 예측 모델을 개발하는 것.
• 원시 MRI 데이터에 직접 훈련시켜 뇌 연령 추정의 강건성과 일반화 능력을 향상시키는 것.
• 원시 데이터에서의 엔드 투 엔드 학습이 기존의 전처리된 신경영상 특징에 의존하는 방법보다 우수한 성능을 낼 수 있는지 평가하는 것.
• 전이 학습을 활용해 여러 독립적인 데이터셋에서 모델 성능을 검증하는 것.
• 재현성과 임상 적용 가능성 향상을 위해 전처리 파rameter 선택에 대한 민감도를 줄이는 것.

제안 방법

• 원시 T1-weighted MRI 볼륨에 대해 전처리 없이 엔드 투 엔드로 훈련된 3D 잔차 신경망(ResNet) 아키텍처를 사용한다.
• 모델은 독일 국립 코hort 연구에서 확보한 10,691개의 T1-weighted MRI 스캔으로 구성된 대규모 데이터셋에서 사전 훈련된다.
• 동일한 아키텍처를 사용하여 세 개의 독립된 데이터셋(각각 217~760명의 피험자)에 대해 전이 학습을 통해 미세조정된다.
• 네트워크는 3D 볼륨 강도에서 직접 계층적인 공간적 특징을 학습하여 노화와 관련된 뇌 구조 패턴을 포착한다.
• 모델 훈련은 예측값과 연령의 차이를 최소화하기 위해 평균 절대 오차(MAE)를 손실 함수로 사용한다.
• 입력 이전에 정렬 또는 정규화를 적용하지 않기 때문에, 스캐너 변동성 및 전처리 파이프라인에 영향을 받지 않는다.

실험 결과

연구 질문

• RQ1 원시 T1-weighted MRI 데이터에서 직접 훈련된 깊은 3D CNN이 전처리된 데이터를 사용하는 모델보다 뛰어난 뇌 연령 예측 정확도를 달성할 수 있는가?
• RQ2 공간 정규화 및 비편향 필드 보정과 같은 전처리 단계를 제거함으로써 데이터셋 간의 모델 강건성과 일반화 능력이 향상되는가?
• RQ3 전이 학습이 새로운 데이터셋에 대해 다시 학습을 시작하지 않고도 모델의 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ4 모델 성능은 전처리 파rameter의 변화에 얼마나 민감한가? 이러한 단계가 생략되었을 때도 안정적인가?
• RQ5 원시 데이터에서의 엔드 투 엔드 학습이 뇌 노화 및 신경퇴행성 질환 진행에 대한 더 신뢰할 수 있는 생물학적 지표를 제공할 수 있는가?

주요 결과

• 3D CNN은 독일 국립 코hort 데이터셋에서 뇌 연령 예측에 대해 평균 절대 오차(MAE)가 2.84년을 기록했으며, 전처리된 데이터를 사용하는 최신 기술보다 뛰어난 성능을 보였다.
• 전이 학습 후 세 개의 독립된 데이터셋에서 강력한 일반화 성능을 보였으며, MAE 값은 2.78에서 3.01년 사이로 변동했다.
• 전처리 파rameter나 소프트웨어에 대한 의존성이 없어져 계산 오버헤드가 크게 감소하고 재현성이 향상되었다.
• 다양한 스캐너와 촬영 프로토콜 간에도 성능이 안정적으로 유지되어 영상 변동성에 대해 매우 강건함을 보였다.
• 원시 MRI 데이터에서 직접 학습하는 것이 기존의 전처리에 의존하는 파이프라인보다 더 정확하고 신뢰할 수 있는 뇌 연령 예측을 가능하게 함을 확인했다.
• 이 연구는 원시 데이터를 전처리 없이 효과적으로 활용할 수 있음을 입증함으로써, 더 빠르고 확장 가능한 임상 적용을 위한 새로운 랜드마크를 설정했다.