[논문 리뷰] Applications of Epileptic Seizures Detection in Neuroimaging Modalities Using Deep Learning Techniques: Methods, Challenges, and Future Works.

Afshin Shoeibi, Navid Ghassemi외 12명|arXiv (Cornell University)|2021. 05. 29.

EEG and Brain-Computer Interfaces참고 문헌 293인용 수 26

한 줄 요약

이 논문은 구조적 및 기능적 신경영상 영상 모odalities를 사용한 간질 발작 진단을 위한 딥 러닝(DL)-기반 컴퓨터 지원 진단 시스템(CADS)에 대한 종합적인 리뷰를 제시한다. 특징 추출과 분류를 자동화함으로써 DL 방법은 진단 정확도와 속도를 크게 향상시키며, 재활 시스템과 클라우드 컴퓨팅의 통합은 임상 적용 가능성을 더욱 높인다.

ABSTRACT

Epileptic seizures are a type of neurological disorder that affect many people worldwide. Specialist physicians and neurologists take advantage of structural and functional neuroimaging modalities to diagnose various types of epileptic seizures. Neuroimaging modalities assist specialist physicians considerably in analyzing brain tissue and the changes made in it. One method to accelerate the accurate and fast diagnosis of epileptic seizures is to employ computer aided diagnosis systems (CADS) based on artificial intelligence (AI) and functional and structural neuroimaging modalities. AI encompasses a variety of areas, and one of its branches is deep learning (DL). Not long ago, and before the rise of DL algorithms, feature extraction was an essential part of every conventional machine learning method, yet handcrafting features limit these models' performances to the knowledge of system designers. DL methods resolved this issue entirely by automating the feature extraction and classification process; applications of these methods in many fields of medicine, such as the diagnosis of epileptic seizures, have made notable improvements. In this paper, a comprehensive overview of the types of DL methods exploited to diagnose epileptic seizures from various neuroimaging modalities has been studied. Additionally, rehabilitation systems and cloud computing in epileptic seizures diagnosis applications have been exactly investigated using various modalities.

연구 동기 및 목표

• 신경영상 데이터에서 간질 발작 진단의 정확도와 속도를 향상시키는 데 있어 딥 러닝의 역할을 조사하는 것.
• 수작업 특징과 전문가 지식에 의존하는 전통적인 기계학습 방법의 한계를 해결하는 것.
• 딥 러닝 기반 간질 발작 진단 플랫폼에 클라우드 컴퓨팅과 재활 시스템을 통합하는 방식을 검토하는 것.
• 임상 신경영상 응용 분야에 딥 러닝 모델을 구현할 때 발생하는 주요 과제와 향후 연구 방향을 규명하는 것.

제안 방법

• 간질 발작 진단을 위한 구조적 및 기능적 신경영상 영상 모달리티(예: MRI 및 fMRI)에 적용된 딥 러닝 기법에 대한 체계적 리뷰.
• 수작업 특징 공학을 제거하고 특징 추출과 분류를 자동화하는 엔드 투 엔드 딥 러닝 모델의 평가.
• 클라우드 컴퓨팅이 대규모 신경영상 데이터셋의 스케일러블한 저장 및 처리를 가능하게 하여 실시간 진단을 지원하는 방식 분석.
• 환자 회복과 장기 모니터링을 지원하기 위해 딥 러닝 기반 CADS와 통합된 재활 시스템의 조사.
• 성능 및 임상 구현 가능성 측면에서 전통적 기계학습 접근법과 DL 기반 방법의 비교.
• 다양한 신경영상 영상 모달리티 간 현재의 방법론을 통합하여 최적의 DL 아키텍처와 워크플로우 규명.

실험 결과

연구 질문

• RQ1 딥 러닝 방법은 신경영상에서 전통적인 기계학습 기법에 비해 간질 발작 진단 정확도를 어떻게 향상시키는가?
• RQ2 구조적 및 기능적 신경영상에 딥 러닝을 적용할 때 발생하는 주요 과제는 무엇인가?
• RQ3 클라우드 컴퓨팅은 딥 러닝 기반 간질 발작 진단 시스템의 확장성과 접근성은 어떻게 향상시키는가?
• RQ4 재활 시스템은 딥 러닝 기반 CADS와 어떻게 통합되어 환자 결과를 지원할 수 있는가?
• RQ5 신경영상 기반 간질 발작 진단에 딥 러닝을 임상적으로 구현하기 위해 가장 중요한 향후 연구 방향은 무엇인가?

주요 결과

• 딥 러닝 모델은 수작업 특징 설계에 대한 의존도를 줄이며 특징 추출을 자동화함으로써 기존 기계학습 방법을 뛰어넘는 성능을 보인다.
• 엔드 투 엔드 딥 러닝 아키텍처는 신경영상 데이터에서 간질 발작을 진단하는 정확도와 속도를 크게 향상시킨다.
• 클라우드 컴퓨팅 통합은 대규모 진단 응용을 위한 신경영상 데이터의 효율적 저장, 처리 및 원격 액세스를 가능하게 한다.
• 딥 러닝 기반 CADS와 통합된 재활 시스템은 지속적인 환자 모니터링과 향상된 회복 결과를 위한 잠재력을 보이고 있다.
• 진전이 있었음에도 불구하고, 모델의 해석 가능성, 데이터 표준화, 다양한 환자 집단에서의 임상 검증과 같은 과제가 남아 있다.
• 향후 연구는 해석 가능한 AI, 다중 모odal 데이터 융합, 그리고 신경영상 분야에서 딥 러닝의 실제 임상 적용 프레임워크 개발에 초점을 맞춰야 한다.