[论文解读] Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks

Adrien Payan, Giovanni Montana|arXiv (Cornell University)|Feb 9, 2015

Dementia and Cognitive Impairment Research参考文献 7被引用 400

一句话总结

本研究提出一种结合稀疏自编码器预训练的3D卷积神经网络（3D-CNN），用于从MRI扫描中预测阿尔茨海默病，通过利用完整的3D空间上下文，其性能优于2D-CNN和先前方法。该3D-CNN在三分类任务（AD vs. MCI vs. HC）中达到89.47%的准确率，AD与MCI比较（86.84%）及HC与MCI比较（92.11%）中均有显著提升。

ABSTRACT

Pattern recognition methods using neuroimaging data for the diagnosis of Alzheimer's disease have been the subject of extensive research in recent years. In this paper, we use deep learning methods, and in particular sparse autoencoders and 3D convolutional neural networks, to build an algorithm that can predict the disease status of a patient, based on an MRI scan of the brain. We report on experiments using the ADNI data set involving 2,265 historical scans. We demonstrate that 3D convolutional neural networks outperform several other classifiers reported in the literature and produce state-of-art results.

研究动机与目标

• 开发一种深度学习框架，以提高基于结构性MRI扫描的阿尔茨海默病早期检测能力。
• 评估3D卷积神经网络是否在捕捉脑部MRI数据的空间模式方面优于2D模型。
• 评估结合稀疏自编码器与3D-CNN的两阶段深度学习流程在AD、MCI及健康对照分类中的性能。
• 在相同ADNI数据集和一致评估协议下，将所提方法与现有最先进方法进行比较。

提出的方法

• 该方法采用两阶段深度学习流程：首先在3D MRI块上训练稀疏自编码器，以学习分层特征表示。
• 将稀疏自编码器学习到的滤波器用于初始化3D-CNN的第一卷积层，从而实现有效的特征提取。
• 3D-CNN在完整的3D MRI体素（68×95×79体素）上应用3D卷积，保留冠状面、矢状面和轴面的空间上下文信息。
• 使用随机梯度下降进行训练，并基于验证集性能采用早停策略，训练集包含1,731例扫描。
• 在保留的测试集（228例扫描）上评估模型性能，通过多种二分类和多分类任务的分类准确率进行衡量。
• 2D-CNN基线采用相同架构，但对单个轴向切片应用2D卷积，从而实现2D与3D特征学习的直接比较。

实验结果

研究问题

• RQ1 3D-CNN架构在从MRI扫描中分类阿尔茨海默病、轻度认知障碍（MCI）和健康对照方面，是否优于2D-CNN？
• RQ2 稀疏自编码器能否有效预训练3D-CNN，以提升神经影像数据的特征学习能力？
• RQ3 与基于切片的2D处理相比，3D卷积在捕捉3D解剖结构模式方面有何相对性能优势？
• RQ4 在ADNI数据集上，所提方法与现有最先进方法相比，分类准确率如何？
• RQ5 3D-CNN在提升MCI与AD之间区分能力方面，其改善程度如何？这在早期诊断中至关重要。

主要发现

• 3D-CNN在三分类任务（AD vs. MCI vs. HC）中达到89.47%的准确率，显著优于2D-CNN的85.53%。
• 在AD与MCI的二分类中，3D-CNN准确率达到86.84%，高于2D-CNN的82.24%，表明对早期病理更敏感。
• 3D-CNN在区分健康对照与MCI患者方面达到92.11%的准确率，显著优于2D-CNN的90.13%。
• 在AD与HC分类中未观察到显著差异，两者均达到95.39%的准确率。
• 3D卷积的使用能够更好地捕捉大脑中的局部3D结构模式，尤其在区分MCI与AD及HC方面具有优势。
• 结果表明，结合自编码器预训练的3D-CNN在性能上可与或优于文献中报道的最先进方法，尤其在多分类及与MCI相关的分类任务中。