[论文解读] Classification of Alzheimer's Disease Structural MRI Data by Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|Jul 22, 2016

Brain Tumor Detection and Classification被引用 49

一句话总结

本研究提出一种基于LeNet-5架构的卷积神经网络（CNN）深度学习方法，利用结构性MRI数据对阿尔茨海默病与正常对照组进行分类。该方法在测试数据上实现了98.84%的准确率，表明CNN能有效提取平移和尺度不变特征，从而区分病理性和健康脑部影像。

ABSTRACT

Recently, machine learning techniques especially predictive modeling and pattern recognition in biomedical sciences from drug delivery system to medical imaging has become one of the important methods which are assisting researchers to have deeper understanding of entire issue and to solve complex medical problems. Deep learning is a powerful machine learning algorithm in classification while extracting low to high-level features. In this paper, we used convolutional neural network to classify Alzheimer's brain from normal healthy brain. The importance of classifying this kind of medical data is to potentially develop a predict model or system in order to recognize the type disease from normal subjects or to estimate the stage of the disease. Classification of clinical data such as Alzheimer's disease has been always challenging and most problematic part has been always selecting the most discriminative features. Using Convolutional Neural Network (CNN) and the famous architecture LeNet-5, we successfully classified structural MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 98.84%. This experiment suggests us the shift and scale invariant features extracted by CNN followed by deep learning classification is most powerful method to distinguish clinical data from healthy data in fMRI. This approach also enables us to expand our methodology to predict more complicated systems.

研究动机与目标

• 开发一种鲁棒的自动化系统，用于区分阿尔茨海默病与正常脑部MRI扫描。
• 解决临床神经影像数据中选择判别性特征的挑战。
• 评估深度学习，特别是CNN，在从结构性MRI中提取分层特征方面的有效性。
• 通过精确分类实现阿尔茨海默病的早期检测或分期。
• 探索该方法在预测更复杂神经疾病方面的可扩展性。

提出的方法

• 采用基于LeNet-5架构的卷积神经网络（CNN）进行特征提取与分类。
• 以原始结构性MRI扫描作为输入，无需手动分割或手工特征工程。
• 端到端训练CNN，以从低级到高级表征逐步学习分层特征。
• 应用空间池化和非线性激活函数（如ReLU）以增强特征鲁棒性。
• 使用随机梯度下降进行优化，并采用Softmax输出多分类结果。
• 在保留的测试集上评估模型性能，以确保泛化能力并避免过拟合。

实验结果

研究问题

• RQ1 基于仅结构性MRI数据，深度CNN能否有效区分阿尔茨海默病与正常对照组？
• RQ2 与传统特征选择方法相比，CNN提取的特征在未见MRI扫描上的泛化能力如何？
• RQ3 LeNet-5架构在脑萎缩检测等低级别医学影像任务中的表现如何？
• RQ4 该模型是否能在不依赖人工特征工程或预处理的情况下实现高准确率？
• RQ5 该方法在神经退行性疾病早期诊断或分期方面具有多大潜力？

主要发现

• 该CNN模型在使用结构性MRI数据区分阿尔茨海默病与正常对照组的测试中，准确率达到98.84%。
• 该模型成功提取了平移和尺度不变特征，这对鲁棒的医学影像分类至关重要。
• 性能表现表明，深度学习可超越依赖人工挑选特征的传统方法。
• 结果表明，使用CNN进行端到端训练可减少对专家定义特征的依赖。
• 该方法具有可迁移性和可扩展性，可用于预测其他复杂神经疾病。
• 本研究证实，深度学习是分析结构性脑部MRI并实现高诊断准确率的强大工具。