[논문 리뷰] An Ensemble of Deep Convolutional Neural Networks for Alzheimer's Disease Detection and Classification

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|2017. 12. 02.

Brain Tumor Detection and Classification참고 문헌 6인용 수 40

한 줄 요약

이 논문은 OASIS 데이터셋의 뇌 MRI 데이터를 사용하여 알츠하이머병 검출 및 분류를 위한 세 개의 딥 컨volution 네트워크 기반(DenseNet-121, DenseNet-161, DenseNet-169) 앙상블을 제안한다. 모델은 전이 학습, 축합, 경사, 그리고 수직 평면에서의 3D MRI 패치 입력 및 다수결 투표 전략을 활용하여 이 작은 데이터셋에서 93.18%의 정확도를 달성하며, 이는 이전의 방법들을 능가한다.

ABSTRACT

Alzheimer's Disease destroys brain cells causing people to lose their memory, mental functions and ability to continue daily activities. It is a severe neurological brain disorder which is not curable, but earlier detection of Alzheimer's Disease can help for proper treatment and to prevent brain tissue damage. Detection and classification of Alzheimer's Disease (AD) is challenging because sometimes the signs that distinguish Alzheimer's Disease MRI data can be found in normal healthy brain MRI data of older people. Moreover, there are relatively small amount of dataset available to train the automated Alzheimer's Disease detection and classification model. In this paper, we present a novel Alzheimer's Disease detection and classification model using brain MRI data analysis. We develop an ensemble of deep convolutional neural networks and demonstrate superior performance on the Open Access Series of Imaging Studies (OASIS) dataset.

연구 동기 및 목표

• 제한된 신경영상 데이터를 사용하여 조기 단계 알츠하이머병 검출을 위한 강력한 딥 러닝 모델을 개발하는 것.
• 다양한 평면에서의 MRI 패치를 통한 전이 학습과 데이터 증강을 활용하여 소규모 의료 영상 데이터셋의 과제를 해결하는 것.
• 비교적 예측하기 어려운 네 단계(비 dementia, 매우 경증, 경증, 중증)의 알츠하이머병 단계에 대해 사전 훈련된 DenseNet 아키텍처의 앙상블을 사용하여 분류 성능 향상시키는 것.
• 조기 단계 알츠하이머병에서의 미세한 병리적 변화를 정확히 구분하여 조기 임상적 간섭을 가능하게 하는 것.

제안 방법

• 프레임워크는 축합, 경사, 수직 평면에서의 3D MRI 패치를 사용하여 세 개의 사전 훈련된 DenseNet 모델(DenseNet-121, DenseNet-161, DenseNet-169)에 입력한다.
• 작은 OASIS 데이터셋에서의 특징 학습을 향상시키기 위해 ImageNet 사전 훈련된 가중치를 사용하여 전이 학습을 적용한다.
• 각 개별 모델은 교차 엔트로피 손실을 최적화하기 위해 소프트맥스 레이어를 통해 네 개의 클래스 확률을 출력한다.
• 최종 예측은 세 모델 간의 다수결 투표를 통해 결정되어 모델의 강건성과 일반화 능력을 향상시킨다.
• 신뢰성 있는 평가를 위해 5개의 폴드로 나누어 각 폴드에서 70% 훈련, 10% 검증, 20% 테스트로 분할하는 5겹 교차 검증을 사용한다.
• 특히 희귀한 단계인 중증 알츠하이머병에 대해 균형을 맞추기 위해 훈련 중 클래스 가중치를 적용한다.

실험 결과

연구 질문

• RQ1 사전 훈련된 DenseNet 모델의 앙상블이 소규모 MRI 데이터셋에서 알츠하이머병 단계를 효과적으로 분류할 수 있는가?
• RQ2 단일 평면 입력에 비해 축합, 경사, 수직 평면에서의 다중 평면 패치 입력이 분류 성능에 어떻게 기여하는가?
• RQ3 전이 학습과 클래스 가중치가 제한된 의료 영상 데이터에서 모델 성능을 얼마나 향상시키는가?
• RQ4 다양한 DenseNet 아키텍처 간의 다수결 투표가 소규모 데이터셋에서 일반화 능력을 향상시키고 과적합을 줄이는 데 얼마나 기여하는가?
• RQ5 OASIS 데이터셋에서 정확도와 F1 점수 측면에서 제안된 모델은 GLCM과 같은 최신 기법들과 비교해 어떻게 성능을 냈는가?

주요 결과

• 제안된 앙상블 모델은 OASIS 데이터셋에서 93.18%의 정확도, 94%의 정밀도, 93%의 재현율, 92%의 F1 점수를 기록하여 이전의 최고 성능 방법을 능가했다.
• DenseNet-121는 개별적으로 가장 높은 성능을 보이며 92%의 F1 점수를 기록했고, DenseNet-161은 클래스 불균형으로 인해 희귀 클래스에서 열악한 성능을 보였다.
• 앙상블 모델은 '매우 경증' 알츠하이머병 클래스의 재현율을 33%로 향상시켜(기존 DenseNet-161의 0% 대비) 조기 단계 검출 능력이 향상되었음을 보여주었다.
• 훈련 중 클래스 가중치를 사용함으로써 희귀 클래스, 특히 단 2개의 샘플 뿐인 '중증' 알츠하이머병에서의 성능 향상이 뚜렷하게 향상되었다.
• 앙상블에서 '매우 경증' 알츠하이머병 클래스에 대해 정밀도가 100%를 기록하여 이 단계에 대한 예측에 매우 높은 신뢰도를 보였다.