[论文解读] Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network

Ehsan Hosseini-Asl, Georgy Gimel’farb+1 more|arXiv (Cornell University)|Jul 2, 2016

Brain Tumor Detection and Classification被引用 74

一句话总结

本文提出一种深度监督、可适应的3D卷积神经网络（DSA-3D-CNN），用于基于结构磁共振成像（MRI）扫描的阿尔茨海默病诊断。该模型在CADDementia数据集上通过3D卷积自编码器进行预训练，学习通用的解剖学生物标志物，并在ADNI数据集上通过深度监督进行微调，无需去除颅骨即可实现最先进的准确率和鲁棒性。

ABSTRACT

Early diagnosis, playing an important role in preventing progress and treating the Alzheimer's disease (AD), is based on classification of features extracted from brain images. The features have to accurately capture main AD-related variations of anatomical brain structures, such as, e.g., ventricles size, hippocampus shape, cortical thickness, and brain volume. This paper proposes to predict the AD with a deep 3D convolutional neural network (3D-CNN), which can learn generic features capturing AD biomarkers and adapt to different domain datasets. The 3D-CNN is built upon a 3D convolutional autoencoder, which is pre-trained to capture anatomical shape variations in structural brain MRI scans. Fully connected upper layers of the 3D-CNN are then fine-tuned for each task-specific AD classification. Experiments on the \\emph{ADNI} MRI dataset with no skull-stripping preprocessing have shown our 3D-CNN outperforms several conventional classifiers by accuracy and robustness. Abilities of the 3D-CNN to generalize the features learnt and adapt to other domains have been validated on the \\emph{CADDementia} dataset.

研究动机与目标

• 解决利用医学影像进行阿尔茨海默病早期且准确诊断的挑战。
• 通过深度学习自动提取大脑MRI中的判别性生物标志物，克服传统特征工程的局限性。
• 开发一种可迁移且可适应的深度学习框架，能够在不同MRI数据集上泛化，且仅需极少的领域特定微调。
• 通过在3D-CNN的全连接层中引入深度监督，提升分类的鲁棒性和准确性。
• 仅使用T1加权MRI，且不进行颅骨去除预处理，证明模型在ADNI和CADDementia数据集上的有效性。

提出的方法

• 在CADDementia数据集上预训练一个3D卷积自编码器（3D-CAE），以学习结构脑MRI中通用的解剖形态变化。
• 将3D-CAE的编码器部分微调为ADNI数据集上3D-CNN的特征提取器，用于阿尔茨海默病分类。
• 在3D-CNN顶部堆叠三个全连接层，用于分类阿尔茨海默病（AD）、轻度认知障碍（MCI）和正常对照（NC）受试者。
• 通过在每个全连接层而非仅最终输出层施加判别性损失函数，实现深度监督。
• 仅使用一种影像模态（T1加权结构MRI），不进行颅骨去除，以保留原始解剖信息。
• 采用十折交叉验证进行模型训练，并使用准确率、AUC、敏感性、特异性和F1-score等标准指标评估性能。

实验结果

研究问题

• RQ1 在多样化数据集（CADDementia）上预训练的3D-CNN能否泛化到不同领域（ADNI）以实现阿尔茨海默病分类？
• RQ2 在全连接层中引入深度监督是否能提升特征的判别能力，以更准确地区分AD、MCI和NC受试者？
• RQ3 与传统分类器及现有最先进深度学习模型相比，所提出的DSA-3D-CNN在准确率和鲁棒性方面表现如何？
• RQ4 该模型在不进行颅骨去除或多模态影像输入的情况下，能达到多高的性能水平？
• RQ5 该模型在不同交叉验证折数和分类任务中是否能保持高性能？

主要发现

• DSA-3D-CNN在ADNI数据集上实现了优于多种传统及深度学习分类器的准确率和鲁棒性，即使未进行颅骨去除处理。
• 该模型在所有五个分类任务（如AD vs. NC、MCI vs. NC）中均表现出色，多数情况下平衡准确率（BAC）和F1-score均高于0.90。
• 深度监督显著提升了特征的判别能力，表现为相比基线模型，敏感性、特异性及F1-score均有提高。
• 在大多数分类任务中，曲线下面积（AUC）超过0.95，表明模型具有强大的预测能力。
• 在CADDementia数据集上的泛化能力验证了模型在不同MRI扫描协议和扫描仪类型间的适应性。
• 消融研究显示，若移除深度监督或在CADDementia上预训练，性能将明显下降，验证了这两个组件的重要性。