[논문 리뷰] VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI

Xiaofeng Liu, Fangxu Xing외 6명|arXiv (Cornell University)|2021. 01. 13.

Amyotrophic Lateral Sclerosis Research참고 문헌 24인용 수 9

한 줄 요약

이 논문은 20명의 대조군과 26명의 환자만을 사용하여 T2 강화 구조적 MRI를 이용해 ALS를 분류하기 위한 경량이며 해석 가능한 연속 하위공간 학습 프레임워크인 VoxelHop을 제안한다. 단일 패assing 전방 전파 아키텍처에서 비지도 및 지도 학습 차원 감소를 활용함으로써, VoxelHop는 기존 최고 수준의 3D CNN보다 10배 적은 파라미터를 사용하고 훨씬 줄어든 학습 시간 동안 93.48%의 정확도와 0.9394의 AUC를 달성한다.

ABSTRACT

Deep learning has great potential for accurate detection and classification of diseases with medical imaging data, but the performance is often limited by the number of training datasets and memory requirements. In addition, many deep learning models are considered a "black-box," thereby often limiting their adoption in clinical applications. To address this, we present a successive subspace learning model, termed VoxelHop, for accurate classification of Amyotrophic Lateral Sclerosis (ALS) using T2-weighted structural MRI data. Compared with popular convolutional neural network (CNN) architectures, VoxelHop has modular and transparent structures with fewer parameters without any backpropagation, so it is well-suited to small dataset size and 3D imaging data. Our VoxelHop has four key components, including (1) sequential expansion of near-to-far neighborhood for multi-channel 3D data; (2) subspace approximation for unsupervised dimension reduction; (3) label-assisted regression for supervised dimension reduction; and (4) concatenation of features and classification between controls and patients. Our experimental results demonstrate that our framework using a total of 20 controls and 26 patients achieves an accuracy of 93.48$\%$ and an AUC score of 0.9394 in differentiating patients from controls, even with a relatively small number of datasets, showing its robustness and effectiveness. Our thorough evaluations also show its validity and superiority to the state-of-the-art 3D CNN classification methods. Our framework can easily be generalized to other classification tasks using different imaging modalities.

연구 동기 및 목표

• 제한된 3D MRI 데이터를 사용하여 ALS 분류를 위한 경량이자 해석 가능한 임상 의사결정 시스템을 개발하는 것.
• 특히 희귀 신경퇴행성 질환인 ALS와 같은 3D 의료 영상에서 딥러닝의 데이터 부족성과 높은 계산 비용 문제를 해결하는 것.
• 비지도 및 지도 학습 차원 감소 기법을 통해 백프로파게이션과 대규모 레이블러닝 데이터셋에 대한 의존도를 줄이는 것.
• 소규모 표본 크기(20명의 대조군, 26명의 환자)에서도 높은 성능을 유지하는 투명하고 모듈화된 모델을 만드는 것.
• 모델 복잡도를 최소화하고 학습 시간을 단축함으로써 임상 적용 가능성을 높이며 해석 가능성에 최선을 다하는 것.

제안 방법

• 프레임워크는 다중 채널 3D MRI 데이터를 통해 근접에서 먼 이웃으로의 순차적 확장을 사용하여, CNN을 모방하지만 백프로파게이션 없이도 작동하는 계단식 국소-전역 수신장(Receptive Field)을 구축한다.
• 비지도 차원 감소를 위해 Saab 변환을 통한 하위공간 근사화를 적용하여 에너지를 보존하며, 95%에서 99% 사이의 임계값을 설정한다.
• LAM(Labeled-aided Grouping) 유닛에서 레이블 지원 회귀를 사용하여 지도 학습 기반의 차원 감소를 수행하며, 분류에 유의미한 특징에 집중한다.
• 다양한 단계에서 유도된 특징들을 연결하여 선형 최소 제곱법(LSR) 분류기에 입력하여 대조군과 ALS 환자 간의 최종 분류를 수행한다.
• 모델 전체가 반복적 백프로파게이션 없이 단일 패assing 전방 전파 방식으로 학습되어, 학습 복잡도를 크게 감소시킨다.
• 성능과 효율성을 균형 있게 유지하기 위해 각 단계에서 정보가 많은 특징을 선택하기 위해 교차 엔트로피 유도 특징 선택 기법을 적용한다.

실험 결과

연구 질문

• RQ1 연속 하위공간 학습 프레임워크가 오직 20명의 대조군과 26명의 환자만을 사용하여 ALS 분류에서 높은 정확도를 달성할 수 있는가?
• RQ2 소규모 MRI 데이터셋에서 VoxelHop의 성능가 3D CNN의 최고 수준의 성능과 비교해 정확도, AUC, 파라미터 효율성 측면에서 어떻게 다른가?
• RQ3 비지도 및 지도 학습 기반의 차원 감소 기법이 분류 성능을 희생시키지 않으면서 모델 복잡도를 얼마나 줄일 수 있는가?
• RQ4 백프로파게이션 없이 단일 패assing 전방 전파 아키텍처가 표준 3D CNN보다 학습 시간과 자원 사용 측면에서 뛰어나게 성능을 내며 높은 정확도를 유지할 수 있는가?
• RQ5 VoxelHop의 모듈화되고 투명한 구조는 블랙박스 딥러닝 모델에 비해 해석 가능성과 임상 적용 가능성 측면에서 얼마나 향상되는가?

주요 결과

• VoxelHop는 오직 20명의 대조군과 26명의 환자만을 사용하여 ALS 환자와 건강한 대조군을 93.48%의 정확도로 분류하였다.
• 모델는 최고 수준의 3D CNN보다 약 10배 적은 파라미터를 요구하여 모델 복잡도를 크게 감소시켰다.
• CPU에서 학습 시간이 20분으로 단축되어, GPU에서 3시간이 소요되는 3D CNN보다 빠른 성능을 보였다.
• 제한된 데이터에서도 VoxelHop는 정확도와 효율성 측면에서 3D CNN보다 뛰어난 강건성과 우수성을 입증하였다.
• 백프로파게이션 없이 단일 패assing 전방 전파 학습 방식은 특히 소규모 3D 의료 영상 데이터셋에 매우 유리한 더 빠르고 메모리 효율적인 학습을 가능하게 하였다.
• 비지도 하위공간 근사화와 레이블 지원 회귀의 조합은 최소한의 레이블러닝 데이터로 효과적인 특징 학습을 가능하게 하였다.