[論文レビュー] Is Texture Predictive for Age and Sex in Brain MRI?

Nick Pawlowski, Ben Glocker|arXiv (Cornell University)|Jul 25, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 8被引用数 6

ひとこと要約

本研究では、局所的なテクスチャ特徴がT1強調脳MRIにおいて年齢および性別の予測に十分であるかどうかを、局所的受容 field を持つ BagNets の3次元一般化を用いて調査している。小さな受容 field（9–33 mm³）のみを用いても、大規模なネットワークと同等の性能を達成しており、年齢予測の平均絶対誤差は3.86年、性別分類の正答率は84.0%であった。これは、テクスチャ情報そのものが医用画像において非常に予測能を有することを示唆している。

ABSTRACT

Deep learning builds the foundation for many medical image analysis tasks where neuralnetworks are often designed to have a large receptive field to incorporate long spatialdependencies. Recent work has shown that large receptive fields are not always necessaryfor computer vision tasks on natural images. We explore whether this translates to certainmedical imaging tasks such as age and sex prediction from a T1-weighted brain MRI scans.

研究の動機と目的

• T1強調脳MRIにおける局所的テクスチャ特徴が、年齢および性別の予測に十分であるかどうかを特定すること。
• 小受容 field ニューラルネットワーク（BagNets）が3次元医療画像処理タスクにおいてどの程度の性能を示すかを評価すること。
• 脳MRIにおける年齢および性別の正確な予測に、グローバルな空間的構造が必要かどうかを調査すること。
• 小受容 field モデルからの局所的予測の解釈可能性が、医療画像解析においてどのように特徴づけられるかを探索すること。

提案手法

• 2次元畳み込みを3次元畳み込みに置き換え、特徴マップの数を半分にすることで、3次元医療画像に一般化された BagNets を開発した。
• 1×1畳み込みカーネルを用いて、受容 field を9、17、33、および177 mm³に制限し、特徴の局所性を強制した。
• グローバル平均プーリングを適用して、局所特徴のバッグ表現を作成し、その後に線形分類器を用いて予測を行った。
• バッチサイズが1と小さいため、インスタンス正規化を適用し、16バッチにわたる勾配蓄積で学習を行った。
• Adam最適化法を用い、学習率を段階的に減少させ、L2正則化を適用した。性別分類には交差エントロピー損失、年齢回帰にはMSE損失を使用した。
• グローバル平均プーリングと最終線形層の処理順序を再配置することで、局所的予測マップの抽出を可能にした。

実験結果

リサーチクエスチョン

• RQ1 T1強調脳MRIにおける小さな受容 field から抽出されたテクスチャ特徴は、大きな受容 field と同等の精度で年齢および性別を予測できるか？
• RQ2 年齢および性別予測のディープラーニングモデルの性能は、グローバルな空間的文脈に依存しているのか、それとも局所的テクスチャのみで達成可能か？
• RQ3 小受容 field モデルからの局所的予測は、大受容 field モデルと比較して、解釈可能性および空間的分布の点でどのように異なるか？
• RQ4 限られた医療画像データセットで学習する場合、大きな受容 field を持つモデルは過学習しやすいか？

主な発見

• 9 mm³の受容 field でも、年齢回帰の平均絶対誤差は5.53年、性別分類の正答率は83.2%に達し、最小限の局所的文脈でも強力な性能を示した。
• 最大の受容 field（177 mm³）は、最小の平均絶対誤差（3.86年）を達成したが、過学習の兆候を示しており、性能のトレードオフが生じうることを示唆した。
• 17 mm³、33 mm³、177 mm³の受容 field において、性別分類の正答率は84.0%で安定しており、受容 field サイズに依存しない堅牢性を示した。
• 年齢回帰では、局所的予測に高いばらつきが見られ、体積レベルの平均予測に顕著に寄与するのは僅か数か所の高価値領域に限られていた。
• 小受容 field モデルからの局所的予測は、自然画像の研究とは異なり解釈が難しく、臨床的解釈に課題を伴うことが示された。
• 結果から、グローバル構造モデリングがなくても、T1脳MRIにおける年齢および性別予測にテクスチャ情報そのものが非常に予測能を有することが示唆された。