[논문 리뷰] sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer's disease diagnosis and discriminative atrophy localisation with Structural MRI

Xin Zhang, Liangxiu Han외 4명|arXiv (Cornell University)|2023. 02. 17.

Functional Brain Connectivity StudiesNeuroscience참고 문헌 90인용 수 3

한 줄 요약

이 논문은 구조적 MRI를 사용한 알츠하이머병(AD) 진단 및 위축 영역 국소화를 위한 새로운 설명 가능한 패치 기반 딥러닝 프레임워크인 sMRI-PatchNet을 제안한다. SHAP 기반 패치 선택을 통해 판별력 있는 뇌 영역을 식별하고, 위치 임베딩을 갖춘 2D CNN을 사용하여 AD 진단 및 MCI 전환 예측을 높은 정확도와 낮은 계산 비용으로 수행한다.

ABSTRACT

Structural magnetic resonance imaging (sMRI) can identify subtle brain changes due to its high contrast for soft tissues and high spatial resolution. It has been widely used in diagnosing neurological brain diseases, such as Alzheimer disease (AD). However, the size of 3D high-resolution data poses a significant challenge for data analysis and processing. Since only a few areas of the brain show structural changes highly associated with AD, the patch-based methods dividing the whole image data into several small regular patches have shown promising for more efficient sMRI-based image analysis. The major challenges of the patch-based methods on sMRI include identifying the discriminative patches, combining features from the discrete discriminative patches, and designing appropriate classifiers. This work proposes a novel patch-based deep learning network (sMRI-PatchNet) with explainable patch localisation and selection for AD diagnosis using sMRI. Specifically, it consists of two primary components: 1) A fast and efficient explainable patch selection mechanism for determining the most discriminative patches based on computing the SHapley Additive exPlanations (SHAP) contribution to a transfer learning model for AD diagnosis on massive medical data; and 2) A novel patch-based network for extracting deep features and AD classfication from the selected patches with position embeddings to retain position information, capable of capturing the global and local information of inter- and intra-patches. This method has been applied for the AD classification and the prediction of the transitional state moderate cognitive impairment (MCI) conversion with real datasets.

연구 동기 및 목표

• 고차원적 3D sMRI 데이터의 계산 복잡도를 낮추기 위해 패치 기반 분석을 통해 알츠하이머병 진단의 계산 복잡도를 감소시키는 것.
• 고정된 ROI 기반 및 볼륨 단위 방법의 한계를 극복하기 위해 데이터 기반으로 판별력 있는 병적 뇌 영역을 자동으로 식별할 수 있도록 하는 것.
• SHAP 값들을 사용하여 AD 진단에 가장 관련성이 높은 패치를 식별하는 설명 가능한 패치 선택 메커니즘을 개발하는 것.
• 공간적 맥락을 유지하면서 최소한의 파라미터와 계산으로 높은 분류 성능를 달성하는 경량이고 효율적인 딥러닝 모델을 설계하는 것.
• 전체 뇌에서 판별력 있는 위축 패턴을 국소화하여 일반화 능력과 임상적 해석 가능성을 향상시키는 것.

제안 방법

• SHAP 값을 효율적으로 추정하기 위해 빠른 재귀적 분할 편향 방법을 사용하여 전체 sMRI 볼륨에서 판별력 있는 3D 패치를 설명 가능한 방식으로 선별한다.
• 제안된 sMRI-PatchNet은 선택된 패치 간의 공간적 관계를 유지하기 위해 학습 가능한 위치 임베딩을 갖춘 2D 합성곱 신경망을 사용한다.
• 모델은 선택된 패치에서 깊은 특징을 추출하고, 전이 학습을 통해 AD 대 비정상 대조군(AD vs. NC) 및 pMCI 대 sMCI의 엔드 투 엔드 분류를 수행한다.
• 패치 선택은 사전 훈련된 전이 학습 모델의 SHAP 기여도 점수를 기반으로 하여, 최종 분류에 사용되는 것은 오직 가장 관련성이 높은 패치들만 포함된다.
• 이 방법은 사전 정의된 해부학적 ROI나 수작업으로 만든 특징에 의존하지 않아 병적 영역을 데이터 기반으로 탐색할 수 있다.
• 3D 합성곱 대신 2D 합성곱을 사용함으로써 계산 효율성을 확보하여 계산 복잡도를 2.21 GMac으로 낮춘다.

Figure 1: The flowchart of the proposed method

실험 결과

연구 질문

• RQ1 설명 가능한 패치 선택 기능을 갖춘 패치 기반 딥러닝 프레임워크가 sMRI를 사용한 AD 진단에서 최신 기술들을 능가할 수 있는가?
• RQ2 SHAP 기반 패치 선택이 AD 및 MCI 전환과 관련된 가장 판별력 있는 뇌 영역을 효과적으로 식별하면서 사용하는 패치 수를 줄일 수 있는가?
• RQ3 2D CNN에 위치 임베딩을 통합함으로써 공간적 맥락을 유지하고 기존의 표준 패치 기반 모델 대비 분류 성능를 향상시킬 수 있는가?
• RQ4 제안된 방법이 3D-CNN 기반 모델 대비 상당히 낮은 계산 복잡도로 높은 정확도를 달성할 수 있는가?
• RQ5 모델이 독립된 데이터셋 간에 얼마나 잘 일반화되며, 병적 위축 패턴을 임상적으로 해석 가능한 방식으로 국소화할 수 있는가?

주요 결과

• 제안된 방법은 알츠하이머병 대 정상 대조군(AD vs. NC) 분류에서 92%의 정확도를 달성하여, 모든 다섯 가지 최신 기술을 능가했다.
• 프로드롬날 MCI에서 경증 MCI로의 진행 예측에서는 86%의 정확도를 기록하여 조기 질환 단계 예측에서 뛰어난 성능를 보였다.
• SHAP 기반 방법을 통해 단지 36개의 판별력 있는 패치만 선택되었으며, 통계적 방법(140개 패치) 대비 70% 이상의 패치 수 감소로 계산 비용을 크게 낮췄다.
• sMRI-PatchNet의 계산 복잡도는 2.21 GMac로, 파라미터 수는 유사한 수준이지만 Med3D(169.55 GMac), HFCN(240.73 GMac), DA-MIDL(220.63 GMac)보다 상당히 낮았다.
• 선택된 패치의 시각화 결과에서, 모델이 히포크라머스와 후두부cingulate 피질과 같은 알려진 위축 영역을 성공적으로 국소화하여 임상적 해석 가능성을 향상시켰다.
• 감소된 패치 사용에도 불구하고 모델은 독립된 데이터셋 간에 강력한 일반화 능력을 보였으며, 과적합 없이 높은 성능를 유지했다.

Figure 2: The flowchart of the fast recursive partition XAI method