[論文レビュー] Severity classification in cases of Collagen VI-related myopathy with Convolutional Neural Networks and handcrafted texture features

Rafael Rodrigues, Susana Quijano‐Roy+2 more|arXiv (Cornell University)|Feb 28, 2022

Muscle Physiology and Disorders参考文献 21被引用数 2

ひとこと要約

本研究では、コラーゲンVI関連筋ジストロフィーの筋肉重症度をT1強調MRIを用いて分類するため、深層学習と手作業で設計されたテクスチャ特徴を組み合わせたハイブリッド手法を提案する。畳み込みニューラルネットワーク（CNN）と、手作業で設計されたテクスチャ特徴に適用する全結合ネットワーク（FCN）を統合し、全体の正答率93.8%、健康、軽度、中等度／重度症例のそれぞれに対してFスコア0.99、0.82、0.95を達成した。非侵襲的診断およびバイオプシーの必要性低減に大きな可能性を示している。

ABSTRACT

Magnetic Resonance Imaging (MRI) is a non-invasive tool for the clinical assessment of low-prevalence neuromuscular disorders. Automated diagnosis methods might reduce the need for biopsies and provide valuable information on disease follow-up. In this paper, three methods are proposed to classify target muscles in Collagen VI-related myopathy cases, based on their degree of involvement, notably a Convolutional Neural Network, a Fully Connected Network to classify texture features, and a hybrid method combining the two feature sets. The proposed methods were evaluated on axial T1-weighted Turbo Spin-Echo MRI from 26 subjects, including Ullrich Congenital Muscular Dystrophy and Bethlem Myopathy patients at different evolution stages. The hybrid model achieved the best cross-validation results, with a global accuracy of 93.8%, and F-scores of 0.99, 0.82, and 0.95, for healthy, mild and moderate/severe cases, respectively.

研究の動機と目的

• MRIを用いてコラーゲンVI関連筋ジストロフィーの重症度段階を自動的かつ非侵襲的に分類する手法を開発し、侵襲的バイオプシーへの依存を減らすこと。
• T1強調MRIスキャンを用いて、CNNベースのアプローチ、手作業で設計されたテクスチャ特徴分類器、およびそれらのハイブリッド組み合わせの性能を評価すること。
• 低発症率の神経筋疾患における早期発見および疾患進行の縦断的モニタリングの可能性を検討すること。
• 希少疾患における訓練データの限界を、深層学習と特徴工学の組み合わせによって克服すること。

提案手法

• 本研究では、ウルルイチ先天性筋ジストロフィーおよびベスルム筋ジストロフィーの患者を含む26名の被験者から得られた、冠状断層のT1強調トゥーブ・スピンエコー（TSE）MRIスキャンを用いた。
• 大腿四頭筋からの筋肉領域の注目領域（ROIs）が抽出され、トレーニングおよび検証用に画像パッチが切り出された。
• 畳み込みニューラルネットワーク（CNN）を、生の画像パッチ上でエンドツーエンドにトレーニングし、重症度レベルを分類した。
• 別個に、手作業で設計されたテクスチャ特徴（GLCM、RLM、LBP、ウェーブレットベース特徴など）を抽出し、全結合ネットワーク（FCN）を用いて分類した。
• CNNで学習された特徴と手作業で設計されたテクスチャ特徴を連結し、最終分類のためのハイブリッドモデルを作成した。
• 小規模なデータセットでの汎化性能を向上させるために、ランダムな水平反転、平行移動、回転、コントラスト調整によるデータ拡張を実施した。

実験結果

リサーチクエスチョン

• RQ1 T1強調MRIスキャンから、コラーゲンVI関連筋ジストロフィーの重症度レベルをCNNが効果的に分類できるか？
• RQ2 手作業で設計されたテクスチャ特徴のみで、この文脈において信頼性のある重症度分類が可能か？
• RQ3 CNNで学習された深層特徴とエンジニアリングされたテクスチャ特徴を組み合わせることで、分類性能が向上するか？
• RQ4 各重症度クラスにおいて、特に健康例と軽度例の区別にどの程度の性能を示すか、モデルの性能は？

主な発見

• ハイブリッドモデルが93.8%の最高全体正答率を達成し、CNN単体およびテクスチャ特徴単体のアプローチを上回った。
• ハイブリッドモデルは、健康例でFスコア0.99、軽度例で0.82、中等度／重度例で0.95を達成し、全重症度レベルで優れた性能を示した。
• CNNモデルは、軽度および中等度／重度例の分類において優れた性能を示したが、テクスチャ特徴分類器は健康筋の検出を改善した。
• 誤分類は主に隣接する重症度クラス間（例：健康／軽度、または軽度／中等度／重度）で発生しており、縦断的モニタリングの可能性を示唆している。
• すべてのモデルにおいて、最下位の性能を示したのは、広筋内側頭筋であり、ハイブリッドモデルで26件の誤分類が発生した。これは、軽度症例のサンプル数が少なかったことが主な要因であった。
• 本研究では、深層学習と手作業で設計された特徴の組み合わせが、データが少ない状況下でも性能向上をもたらすことを示しており、希少神経筋疾患における非侵襲的診断およびフォローアップの支援に有効であることを裏付けている。