[논문 리뷰] Support vector machine classification of dimensionally reduced structural MRI images for dementia

Victoria A. Miller, S. Erlien외 1명|arXiv (Cornell University)|2014. 06. 25.

Brain Tumor Detection and Classification참고 문헌 8인용 수 4

한 줄 요약

이 연구는 경도에서 중등도 치매(CDR ≥ 1)를 탐지하기 위해 구조적 MRI 스캔에서 차원이 감소된 특징을 사용하는 서포트 벡터 머신(SVM) 분류기를 제안한다. 영상 분할, 대칭성 지표, 주성분 분석(PCA)을 조합하여 11개의 핵심 특징을 추출함으로써, 가우시안 RBF 커널을 사용할 경우 테스트 정확도 85.7%와 매튜스 상관계수 0.616를 달성하였으며, OASIS-Brains 데이터셋에서 과적합 없이 우수한 일반화 성능을 보였다.

ABSTRACT

We classify very-mild to moderate dementia in patients (CDR ranging from 0 to 2) using a support vector machine classifier acting on dimensionally reduced feature set derived from MRI brain scans of the 416 subjects available in the OASIS-Brains dataset. We use image segmentation and principal component analysis to reduce the dimensionality of the data. Our resulting feature set contains 11 features for each subject. Performance of the classifiers is evaluated using 10-fold cross-validation. Using linear and (gaussian) kernels, we obtain a training classification accuracy of 86.4% (90.1%), test accuracy of 85.0% (85.7%), test precision of 68.7% (68.5%), test recall of 68.0% (74.0%), and test Matthews correlation coefficient of 0.594 (0.616).

연구 동기 및 목표

• 원소 벡터 기반 SVM에서 흔히 발생하는 과적합을 방지하기 위해 고차원 MRI 데이터를 차원 축소하여 일반화 성능을 향상시키는 것.
• 구조적 MRI 스캔에서 유도된 차원 축소 특징 집합에 대해 선형 및 가우시안 RBF 커널 SVM의 성능을 평가하는 것.
• PCA 유도 '이겐브레인' 성분과 해부학적 분할 특징이 분류 성능에 기여하는 정도를 평가하는 것.
• 나이와 PCA 성분이 분류기 성능에 각각 중요한지 여부를 판단하는 것.

제안 방법

• 연구는 OASIS-Brains 데이터셋의 416명의 피험자로부터 확보한 T1 가중 MRI 스캔을 사용하였으며, 뇌 추출, 게인필드 보정, Talairach 공간 정렬을 포함한 사전 처리를 실시하였다.
• 이미지 분할을 적용하여 이진 마스크를 기반으로 한 이미지에서 백질, 회색질, 뇌척수액의 총 부피를 계산하였다.
• 각 단면에서 왼쪽-오른쪽 또는 위-아래로 뒤집힌 버전과의 제로 레그 상관관계를 이용해 축소된 대칭성 지표를 정량화하였으며, 총 신호로 정규화하였다.
• 주성분 분석(PCA)은 coronal 및 axial 영상 스택에 대해 별도로 적용되었으며, 첫 번째 주성분(eigenbrains)이 특징으로 추출되었다.
• 나이, 성별, 전체 뇌 부피(eTIV), 뇌 백질 비율(nWBV), 조직 부피, 대칭성 지표, PCA 계수를 포함한 총 11개 변수의 병합 특징 집합을 구성하고 표준화하였다.
• 10겹 교차검증을 사용하여 선형 및 가우시안 RBF 커널 SVM을 훈련 및 평가하였으며, 정확도, 정밀도, 재현도 및 매튜스 상관계수(MCC)를 성능 측정 지표로 사용하였다.

실험 결과

연구 질문

• RQ1 PCA 및 분할을 통한 차원 축소가 MRI 데이터에서 치매 분류에 대한 SVM 분류기의 일반화 성능 향상에 기여하는가?
• RQ2 해부학적 부피와 대칭성 지표만을 사용하는 것과 비교해, PCA 유도 '이겐브레인' 성분을 포함했을 때 분류기 성능에 어떤 영향을 미치는가?
• RQ3 분류기가 주로 나이에 의존하는가, 아니면 다른 특징들이 예측에 의미 있는 기여를 하는가?
• RQ4 이러한 감소된 특징 집합에서 선형 및 가우시안 RBF 커널 SVM의 성능과 내구성은 어떻게 비교되는가?

주요 결과

• 가우시안 RBF 커널을 사용한 SVM은 테스트 정확도 85.7%를 기록하여 선형 커널(85.0%)을 초월하였으며, 매튜스 상관계수(MCC)는 0.616를 기록하였다.
• 가우시안 커널을 사용할 경우 분류기의 테스트 정밀도는 68.5%, 재현도는 74.0%였으며, 이는 양성 사례에 대해 높은 민감도를 보임을 시사한다.
• PCA 성분을 제외했을 경우 MCC가 0.07 감소하여, 이angen브레인 특징이 분류기 성능 향상에 상당한 기여를 한다는 것을 입증한다.
• 나이를 특징 집합에서 제거했을 경우 테스트 정확도가 약 2% 감소하여, 나이가 분류에 의미 있는 기여를 하지만 독립적인 기여 요소는 아님을 시사한다.
• 가우시안 커널을 사용할 경우 훈련 정확도는 90.1%였지만, 테스트 정확도는 85.7%로 안정되어 있었으며, 고차원 입력임에도 불구하고 심각한 과적합이 발생하지 않았다.
• 각 시야에서 하나 이상의 PCA 성분을 사용할 경우 훈련 정확도는 향상되었지만, 테스트 정확도는 향상되지 않아 과적합이 발생함을 확인하였으며, 따라서 각 시야에서 하나의 성분만 유지하였다.