[논문 리뷰] Understanding 3D CNN Behavior for Alzheimer's Disease Diagnosis from Brain PET Scan

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|2019. 12. 10.

Cell Image Analysis Techniques참고 문헌 16인용 수 15

한 줄 요약

이 논문은 뇌 PET 영상을 사용하여 알츠하이머병(AD) 진료를 위한 3D 컨volution 신경망(3D-CNN)을 제안하고, 모델의 결정을 해석하기 위해 다섯 가지 시각화 기법—민감도 분석, 가이드드 백프로파게이션, 오큘루션, 뇌 영역 오큘루션, 계층별 관련성 전파(LRP)—을 활용한다. 주요 기여는 3D-CNN가 주로 측두엽, 특히 해마에 초점을 맞추고 있음을 규명하여 알려진 AD 생물학적 마커와 일치함으로써 자동 진료 시스템에 대한 신뢰도를 높이는 데 있다.

ABSTRACT

In recent days, Convolutional Neural Networks (CNN) have demonstrated impressive performance in medical image analysis. However, there is a lack of clear understanding of why and how the Convolutional Neural Network performs so well for image analysis task. How CNN analyzes an image and discriminates among samples of different classes are usually considered as non-transparent. As a result, it becomes difficult to apply CNN based approaches in clinical procedures and automated disease diagnosis systems. In this paper, we consider this issue and work on visualizing and understanding the decision of Convolutional Neural Network for Alzheimer's Disease (AD) Diagnosis. We develop a 3D deep convolutional neural network for AD diagnosis using brain PET scans and propose using five visualizations techniques - Sensitivity Analysis (Backpropagation), Guided Backpropagation, Occlusion, Brain Area Occlusion, and Layer-wise Relevance Propagation (LRP) to understand the decision of the CNN by highlighting the relevant areas in the PET data.

연구 동기 및 목표

• 의료 영상 분석 분야에서 3D-CNN 모델의 해석 불가능성 문제를 해결하기 위해, 특히 알츠하이머병(AD) 진료에 초점을 맞춘다.
• 뇌 PET 영상의 특징 관련성을 시각화하여 3D-CNN 모델이 어떻게 분류 결정을 내리는지 이해한다.
• AD 진료를 위한 분류 기준이 되는 뇌 영역을 식별하는 데 있어 다양한 설명 가능성 기법을 비교한다.
• 모델의 주의 영역이 해마 위축과 같은 임상적으로 알려진 AD 생물학적 마커와 일치하는 정도를 검증한다.
• 딥 러닝 모델의 투명성을 높여 신뢰할 수 있는 임상 의사결정 지원 시스템 개발을 지원한다.

제안 방법

• 이전 연구를 참고한 3D-CNN 아키텍처를 사용하여, ADNI 데이터베이스에서 확보한 1,230개의 뇌 PET 영상(AD: 169명, MCI: 661명, CN: 400명)을 기반으로 학습을 수행하였다.
• PET 영상들은 비선형적으로 ICBM152 템플릿에 정렬되었으며, 뇌골 제거 및 정규화를 거쳐 193×229×193 등방성 볼륨으로 변환되었다.
• 다섯 가지 시각화 기법을 적용: 민감도 분석(백프로파게이션), 가이드드 백프로파게이션, 오큘루션, 뇌 영역 오큘루션, 계층별 관련성 전파(LRP).
• 학습은 PyTorch를 사용하여 수행되었으며, 학습률은 0.0001, 7에포크마다 가중치 감소율 0.1, 배치 크기 16을 설정하였다.
• 학습 및 테스트 분할은 환자 수준에서 수행되어 데이터 泄漏를 방지하였다.
• 각 시각화 기법의 히트맵을 테스트 세트의 AD 영상에 대해 평균 내어 공간적 관련성 패턴을 비교하였다.

실험 결과

연구 질문

• RQ1 3D-CNN는 PET 영상에서 알츠하이머병을 진단할 때 어떤 뇌 영역을 우선적으로 고려하는가?
• RQ2 예를 들어 기울기 기반 기법과 오큘루션 기반 기법 간에, AD 진료에 관련된 뇌 구조를 강조하는 데 있어 어떤 차이가 있는가?
• RQ3 모델의 주의 영역이 해마 위축과 같은 알려진 임상적 AD 생물학적 마커와 어느 정도 일치하는가?
• RQ4 3D-CNN는 PET 데이터를 사용하여 AD 진료에서 공간적 맥락을 더 잘 포착하는가, 2D-CNN보다 성능이 뛰어나다?
• RQ5 LRP 및 오큘루션과 같은 설명 가능성 기법은 모델의 의사결정 과정을 신뢰할 수 있고 일관되게 해석할 수 있는가?

주요 결과

• 3D-CNN는 정상 대조군(CN)과 알츠하이머병(AD) 환자를 구분하는 데 분류 정확도 88.76%를 달성하여 뛰어난 성능을 보였다.
• 2D-CNN 기준 모델은 오직 71.45%의 정확도를 기록하여, 3D-CNN가 부피형 PET 데이터에서 공간적 맥락을 더 잘 포착함을 시사한다.
• 모든 다섯 가지 시각화 기법이 측두엽, 특히 해마를 AD 진료에 가장 관련성이 높은 영역으로 강조하였다.
• 기울기 기반 기법(예: 민감도 분석, 가이드드 백프로파게이션)은 분포형 관련성 맵을 생성한 반면, 오큘루션 기반 기법은 특정이고 국소화된 영역에 집중하였다.
• LRP는 가장 일관되고 타당한 관련성 히트맵을 생성하였으며, 해마 영역의 볼륨 요소가 AD 분류에 가장 높은 관련성을 보였다.
• 모델의 주의 영역은 기존 의학 문헌에서 알려진 AD 생물학적 마커와 매우 유사하여, 지표 데이터가 필요 없이도 설명 가능성 접근법의 타당성을 검증하였다.