[논문 리뷰] Residual and Plain Convolutional Neural Networks for 3D Brain MRI Classification

Sergey Korolev, Amir Safiullin외 2명|arXiv (Cornell University)|2017. 01. 23.

Medical Image Segmentation Techniques참고 문헌 9인용 수 21

한 줄 요약

이 논문은 ADNI 데이터셋의 3D 뇌 MRI 스캔을 알츠하이머병(AD), 경도 인지 장애(MCI), 정상 대조군으로 분류하기 위해 엔드 투 엔드 3D 컨볼루션 신경망—일반형 VoxCNN 및 잔차형 ResNet 아키텍처—를 제안한다. 이 모델들이 수작업 특징 추출 없이도 경쟁 가능한 성능(AD 대비 NC에서 AUC 최대 0.88)을 달성함으로써, 소규모 신경영상 데이터셋에서 정확도를 유지하면서도 파ip라인을 단순화함을 보여준다.

ABSTRACT

In the recent years there have been a number of studies that applied deep learning algorithms to neuroimaging data. Pipelines used in those studies mostly require multiple processing steps for feature extraction, although modern advancements in deep learning for image classification can provide a powerful framework for automatic feature generation and more straightforward analysis. In this paper, we show how similar performance can be achieved skipping these feature extraction steps with the residual and plain 3D convolutional neural network architectures. We demonstrate the performance of the proposed approach for classification of Alzheimer's disease versus mild cognitive impairment and normal controls on the Alzheimer's Disease National Initiative (ADNI) dataset of 3D structural MRI brain scans.

연구 동기 및 목표

• 다단계 특징 추출을 제거하여 신경영상 분류 파이프라인을 단순화하기 위해.
• 일반형 및 잔차형 3D CNN이 ADNI와 같은 소규모 3D MRI 데이터셋에서 강력한 성능을 낼 수 있는지 평가하기 위해.
• 전통적인 다단계 접근 방식과 비교하여 엔드 투 엔드 3D CNN의 성능을 알츠하이머병, MCI 및 정상 대조군 분류에 대해 평가하기 위해.
• 미처리 또는 최소한의 전처리가 된 MRI 데이터에서 3D CNN의 강건성과 일반화 능력을 조사하기 위해.

제안 방법

• 4개의 부피형 컨볼루션 블록, 배치 정규화, 드롭아웃, 소프트맥스 출력층을 갖춘 3D VGG 유사 아키텍처(VoxCNN)를 채택하였다.
• 깊은 네트워크에서의 기울기 소실 문제를 완화하기 위해 스킵 연결을 사용한 잔차 3D CNN(ResNet)을 구현하였다.
• 학습률이 낮은(27×10⁻⁶) Adam 옵timizer를 사용하고 배치 크기를 5로 설정하여 총 150 에포크 동안 학습시켰다.
• 학습 안정성을 확보하고 클래스 불균형이 학습을 방해하지 않도록 클래스 균형 잡힌 미니배치를 사용하였다.
• 일반화 성능 향상을 위해 무작위 컷팅 및 정규화를 통한 데이터 증강을 적용하였다.
• 뇌 영역에 대한 네트워크의 주의를 시각화하기 위해 차폐 분석을 사용하여 클래스 활성화 맵을 생성하였다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 3D 컨볼루션 신경망은 수작업 특징 추출 없이도 3D 뇌 MRI 데이터에서 경쟁 가능한 분류 성능를 달성할 수 있는가?
• RQ2 일반형 3D CNN과 잔차형 3D CNN은 ADNI와 같은 소규모 신경영상 데이터셋에서 성능 면에서 어떻게 비교되는가?
• RQ3 3D CNN은 히포크암프스와 뇌실과 같이 알츠하이머병에 영향을 받는 생물학적으로 관련된 뇌 영역에 주목할 수 있는가? (주의 맵을 통해 확인)
• RQ4 잔차 연결의 사용이 소규모 MRI 데이터셋에서 학습 안정성과 성능 향상에 기여하는가?

주요 결과

• VoxCNN 및 ResNet 모델은 알츠하이머병 대비 정상 대조군 분류에서 AUC 0.88 ± 0.08, 정확도 0.80 ± 0.07의 강력한 성능를 보였으며, 핵심 이진 분류 과제에서 뛰어난 성능를 입증하였다.
• 조기 또는 만기 MCI와의 분류에서는 성능가 낮지만 안정적인 성능(AUC ~0.62–0.67)을 보였으며, 이는 AD와 중간 단계 MCI를 구분하는 데 어려움이 있음을 시사한다.
• 대부분의 과제에서 ResNet 모델이 VoxCNN를 略로 뛰어넘었으며, AD 대비 NC에서 AUC 0.87 ± 0.07, AD 대비 EMCI에서 AUC 0.67 ± 0.13의 성능를 기록하였다.
• 주의 맵 분석 결과, 네트워크가 알츠하이머병에 영향을 받는 영역(예: 히포크암프스, 뇌실)에 주목하고 있음을 확인하여 생물학적으로 타당한 결과를 도출하였다.
• 학습 곡선을 통해 약 50 에포크까지는 지속적인 향상이 있었고, 이후 성능가 정체됨을 확인하여 수렴함을 확인하였다.
• 두 모델 모두 뼈대 제거나 패치 샘플링과 같은 전처리 단계가 필요 없이도 이전의 복잡한 파이프라인과 유사한 성능를 달성하였다.