[논문 리뷰] 3D CNN-based classification using sMRI and MD-DTI images for Alzheimer disease studies

Alexander Khvostikov, Karim Aderghal외 3명|arXiv (Cornell University)|2018. 01. 18.

Dementia and Cognitive Impairment Research인용 수 71

한 줄 요약

논문은 3D CNN 프레임워크를 제안하며, 해마 ROI sMRI와 MD-DTI(Mean Diffusivity) 맵을 융합하여 AD, MCI, NC를 분류하고 ROI 크기 분석 및 클래스 균형을 위한 전용 데이터 증강 전략을 포함한다.

ABSTRACT

Computer-aided early diagnosis of Alzheimers Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research in recent years. Some recent studies have shown promising results in the AD and MCI determination using structural and functional Magnetic Resonance Imaging (sMRI, fMRI), Positron Emission Tomography (PET) and Diffusion Tensor Imaging (DTI) modalities. Furthermore, fusion of imaging modalities in a supervised machine learning framework has shown promising direction of research. In this paper we first review major trends in automatic classification methods such as feature extraction based methods as well as deep learning approaches in medical image analysis applied to the field of Alzheimer's Disease diagnostics. Then we propose our own algorithm for Alzheimer's Disease diagnostics based on a convolutional neural network and sMRI and DTI modalities fusion on hippocampal ROI using data from the Alzheimers Disease Neuroimaging Initiative (ADNI) database (http://adni.loni.usc.edu). Comparison with a single modality approach shows promising results. We also propose our own method of data augmentation for balancing classes of different size and analyze the impact of the ROI size on the classification results as well.

연구 동기 및 목표

• 다 modality 영상을 활용한 알츠하이머병 및 그 전구 단계(AD/MCI)의 현재 자동 분류 방법을 동기 부여 및 조사.
• 해마 ROI의 sMRI 및 MD-DTI 데이터를 융합하는 CNN 기반 프레임워크를 AD 진단에 적용.
• 분류 성능에 미치는 ROI 크기 및 증강 전략의 영향을 평가.
• 제한된 데이터 시나리오에서 ROI 중심 3D CNN 융합의 타당성을 입증하기 위해 ADNI 데이터를 활용.

제안 방법

• sMRI 및 MD-DTI 맵으로부터 해마 ROI 볼륨에 대해 작동하는 3D CNN 아키텍처를 적용
• 사이먼즈(Siamese-like) 후합: 별도의 모달리티 파이프라인이 공유 완전 연결 계층으로 피드된 후 소프트맥스 적용
• 제어된 균형을 위한 데이터 증강: 부족한 클래스에 대해 무작위 이동과 가우시안 블러를 사용하여 추가 샘플 생성
• 해마 ROI를 포함하는 28-, 38-, 42-, 48-보셀 큐브를 조사
• 배치 정규화 및 Nesterov 모멘텀을 사용하여 학습을 안정화하고 가속
• 데이터 활용 극대화를 위한 교차 검증에 영감을 받은 재학습/검증 분할 전략 포함

실험 결과

연구 질문

• RQ1 sMRI 및 MD-DTI 해마 ROI 데이터를 3D CNN으로 융합하는 것이 단일 모달리티에 비해 AD/NC/MCI 분류를 개선하는가?
• RQ2 ROI 크기가 ROI 기반 3D CNN 아키텍처의 분류 정확도에 어떤 영향을 미치는가?
• RQ3 소형에서 중형의 ADNI 유래 데이터셋에서 타깃 데이터 증강 및 클래스 균형 조치가 모델 성능에 어떤 영향을 주는가?

주요 결과

• 해마 ROI 내에서 sMRI와 MD-DTI를 결합한 것이 단일 모달리티 접근법과 비교하여 경쟁력 있는 분류 결과를 보인다.
• 기본 해마 영역을 넘어 확장된 더 큰 ROI는 성능에 영향을 줄 수 있으며, 서로 다른 아키텍처가 서로 다른 이득을 나타낸다.
• 균형 잡힌 증강 전략은 클래스 불균형을 완화하고 네트워크 학습의 일반화를 향상시키는 데 도움을 준다.
• 제안된 3D CNN 아키텍처는 배치 정규화 및 신중하게 선택된 최적화 설정을 통해 견고한 학습 동작을 보인다.
• 이 방법은 ADNI 데이터의 하위 집합에서 ROI 기반 다중 모달 3D CNN 분류의 가능성을 입증한다.