[논문 리뷰] Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment

Yu Wen, Baiying Lei외 4명|arXiv (Cornell University)|2020. 08. 03.

Advanced Neuroimaging Techniques and Applications참고 문헌 39인용 수 5

한 줄 요약

이 논문은 T1-MRI 영상으로 알츠하이머병(AD) 및 경도인지장애(MCI) 분류를 위한 텐서트레이스 분해와 고차원 풀링을 통합한 새로운 반감독 학습 GAN인 THS-GAN을 제안한다. 세 명의 플레이어가 협력하는 게임 구조, 텐서트레이스 레이어, 고차원 풀링을 통한 이차 통계량 활용을 통해 THS-GAN은 상태기반 성능을 달성하였으며, MCI 대 NC 분류에서 AUC 88.72%, AD 대 MCI 분류에서 AUC 85.35%를 기록하여 기존 방법들을 능가하였고, 파rameter 수를 감소시키며 구조적 특징 학습 능력을 향상시켰다.

ABSTRACT

It is of great significance to apply deep learning for the early diagnosis of Alzheimer's Disease (AD). In this work, a novel tensorizing GAN with high-order pooling is proposed to assess Mild Cognitive Impairment (MCI) and AD. By tensorizing a three-player cooperative game based framework, the proposed model can benefit from the structural information of the brain. By incorporating the high-order pooling scheme into the classifier, the proposed model can make full use of the second-order statistics of the holistic Magnetic Resonance Imaging (MRI) images. To the best of our knowledge, the proposed Tensor-train, High-pooling and Semi-supervised learning based GAN (THS-GAN) is the first work to deal with classification on MRI images for AD diagnosis. Extensive experimental results on Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset are reported to demonstrate that the proposed THS-GAN achieves superior performance compared with existing methods, and to show that both tensor-train and high-order pooling can enhance classification performance. The visualization of generated samples also shows that the proposed model can generate plausible samples for semi-supervised learning purpose.

연구 동기 및 목표

• 알츠하이머병 진단에서 레이블이 부여된 MRI 데이터의 한계를 해결하기 위해 반감독 학습을 통해 레이블이 부여된 데이터와 부여되지 않은 데이터를 모두 활용하고자 한다.
• GAN 아키텍처 내에서 텐서트레이스 분해를 활용해 뇌의 구조적 정보를 효과적으로 추출하여 분류 성능을 향상시키고자 한다.
• 전체 뇌 MRI 영상의 이차 통계량을 고차원 풀링을 통해 활용하여 특징 표현 능력을 향상시키고자 한다.
• 텐서라이제이션, 고차원 풀링, 반감독 GAN 학습을 통합한 통합 프레임워크를 개발하여 종단간 AD/MCI 평가를 수행하고자 한다.

제안 방법

• 제안된 THS-GAN은 표준 두 명의 플레이어 GAN에서 탈피하여 생성자, 판별자, 보조 분류기로 구성된 세 명의 플레이어가 협력하는 게임 프레임워크를 도입하여 학습 안정성 향상과 일반화 성능 향상을 도모한다.
• 모든 레이어(합성곱 및 완전연결 레이어 포함)에 텐서트레이스 분해를 적용하여 모델 파라미터 수를 감소시키고 MRI 데이터의 공간적 및 구조적 관계를 유지한다.
• 분류기 내부에 고차원 풀링을 통합하여 전체 MRI 영상의 이차 통계량을 캡처함으로써, 일차 통계량을 활용하는 전통적 통계량 대비 더 강력하고 종합적인 특징 추출이 가능하도록 한다.
• 레이블이 부여된 샘플에 대해 적대적 손실과 교차 엔트로피 손실을 동시에 적용하여, 레이블이 부여된 데이터와 부여되지 않은 데이터를 함께 학습하는 반감독 학습을 구현한다.
• 모델은 ADNI 데이터셋에서 종단간으로 학습되며, 표준 정규분포에서 샘플링된 잠재 벡터를 사용해 합성 MRI 영상을 생성한다.
• 생성된 MRI 슬라이스의 시각화 결과, 모델이 학습 과정을 거치며 점점 더 현실적인 뇌 구조(예: 수종, 회색)를 생성하는 것을 확인할 수 있었다.

실험 결과

연구 질문

• RQ1 텐서트레이스 분해는 알츠하이머병 및 MCI 분류를 위한 MRI 영상에서 GAN의 성능과 효율성을 향상시킬 수 있는가?
• RQ2 전체 뇌 MRI 영상의 이차 통계량을 캡처하는 고차원 풀링은 전통적 통계량 대비 AD 분류에서 더 나은 특징 표현을 가능하게 하는가?
• RQ3 세 명의 플레이어가 협력하는 GAN 프레임워크는 기존의 두 명의 플레이어 GAN 대비 반감독 MRI 분류에서 학습 안정성과 분류 정확도 향상에 기여하는가?
• RQ4 텐서트레이스와 고차원 풀링의 통합은 제한된 레이블이 부여된 MRI 데이터에서 일반화 능력을 얼마나 향상시키는가?
• RQ5 GAN에서 생성된 MRI 샘플은 반감독 학습을 통한 알츠하이머병 진단에서 효과적인 데이터 증강 수단으로 활용될 수 있는가?

주요 결과

• MCI 대 NC 분류에서 THS-GAN은 AUC 88.72%를 기록하여 SS-GAN(71.15%)과 기존 방법(예: Plocharski 등, 84.00% AUC)을 크게 능가하였다.
• AD 대 MCI 분류에서 THS-GAN은 AUC 85.35%를 달성하였고, SS-GAN은 수렴하지 못해 단지 50%의 AUC를 기록하였다.
• AD 대 NC 분류에서 THS-GAN은 AUC 95.92%를 기록하여 Cui 등이 보고한 최고의 결과 93.22%를 초월하였으며, 더 뛰어난 일반화 능력을 보였다.
• 텐서트레이스 분해를 통해 파라미터 수를 감소시키면서도 성능을 유지하거나 향상시켜, 더 뛰어난 파라미터 효율성을 입증하였다.
• 생성된 MRI 슬라이스의 시각화 결과, THS-GAN이 학습 과정을 거치며 점점 더 현실적인 뇌 구조(예: 수종, 회색)를 생성하는 것을 확인하였고, 이는 의미 있는 해부학적 특징을 효과적으로 학습하고 있음을 확인시켰다.
• 제거 실험 결과, 텐서트레이스 분해와 고차원 풀링이 각각 성능 향상에 기여하며, 두 요소의 조합이 가장 우수한 성능을 기록하는 것으로 확인되었다.