[论文解读] Tensorizing GAN with High-Order Pooling for Alzheimer's Disease Assessment

Yu Wen, Baiying Lei+4 more|arXiv (Cornell University)|Aug 3, 2020

Advanced Neuroimaging Techniques and Applications参考文献 39被引用 5

一句话总结

本文提出 THS-GAN，一种新颖的半监督生成对抗网络，结合张量-列车分解与高阶池化，用于基于 T1-MRI 图像的阿尔茨海默病（AD）和轻度认知障碍（MCI）分类。通过利用三玩家协作博弈、张量-列车层以及通过高阶池化获得的二阶统计信息，THS-GAN 实现了最先进性能，在 MCI 与 NC 分类中 AUC 达 88.72%，在 AD 与 MCI 分类中 AUC 达 85.35%，优于现有方法，同时减少参数量并增强结构特征学习能力。

ABSTRACT

It is of great significance to apply deep learning for the early diagnosis of Alzheimer's Disease (AD). In this work, a novel tensorizing GAN with high-order pooling is proposed to assess Mild Cognitive Impairment (MCI) and AD. By tensorizing a three-player cooperative game based framework, the proposed model can benefit from the structural information of the brain. By incorporating the high-order pooling scheme into the classifier, the proposed model can make full use of the second-order statistics of the holistic Magnetic Resonance Imaging (MRI) images. To the best of our knowledge, the proposed Tensor-train, High-pooling and Semi-supervised learning based GAN (THS-GAN) is the first work to deal with classification on MRI images for AD diagnosis. Extensive experimental results on Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset are reported to demonstrate that the proposed THS-GAN achieves superior performance compared with existing methods, and to show that both tensor-train and high-order pooling can enhance classification performance. The visualization of generated samples also shows that the proposed model can generate plausible samples for semi-supervised learning purpose.

研究动机与目标

• 通过利用半监督学习中的标注数据与未标注数据，解决阿尔茨海默病诊断中有限标注 MRI 数据的挑战。
• 通过在 GAN 架构中引入张量-列车分解，挖掘结构性脑信息，以提升分类性能。
• 通过高阶池化利用全脑 MRI 图像的二阶统计信息，增强特征表示能力。
• 构建统一框架，整合张量化、高阶池化与半监督 GAN 训练，实现 AD/MCI 评估的端到端处理。

提出的方法

• 所提出的 THS-GAN 采用三玩家协作博弈框架，以生成器、判别器和辅助分类器替代标准的两玩家 GAN，以增强训练稳定性并提升泛化能力。
• 在所有层（包括卷积层与全连接层）中应用张量-列车分解，减少模型参数量，同时保留 MRI 数据中的空间与结构关系。
• 将高阶池化集成至分类器中，以捕捉全幅 MRI 图像的二阶统计信息，相比一阶池化，实现更鲁棒、更全面的特征提取。
• 通过联合训练 GAN 在标注与未标注 MRI 数据上，结合对抗损失与标注样本的交叉熵损失，实现半监督学习。
• 在 ADNI 数据集上端到端训练模型，潜变量从标准正态分布中采样，以生成合成 MRI 图像。
• 生成 MRI 切片的可视化结果表明，模型在训练过程中逐步学习生成逼真、细节丰富的脑部结构（如脑沟、脑回）。

实验结果

研究问题

• RQ1 张量-列车分解是否能提升 GAN 在阿尔茨海默病与 MCI 分类 MRI 图像任务中的性能与效率？
• RQ2 高阶池化（捕捉全脑 MRI 图像的二阶统计信息）是否相比传统池化在 AD 分类中提供更优的特征表示？
• RQ3 三玩家协作 GAN 框架是否相比标准两玩家 GAN 在半监督 MRI 分类中提升训练稳定性与分类准确率？
• RQ4 张量-列车与高阶池化的集成在有限标注 MRI 数据上在多大程度上提升了泛化能力？
• RQ5 GAN 生成的 MRI 样本是否可在半监督学习中有效用于阿尔茨海默病诊断的数据增强？

主要发现

• 在 MCI 与 NC 分类中，THS-GAN 达到 88.72% AUC，显著优于 SS-GAN（71.15%）与现有方法（如 Plocharski 等人，84.00% AUC）。
• 在 AD 与 MCI 分类中，THS-GAN 达到 85.35% AUC，而 SS-GAN 未能收敛，仅获得 50% AUC。
• 在 AD 与 NC 分类中，THS-GAN 达到 95.92% AUC，超越 Cui 等人报告的最佳结果 93.22%，展现出更优的泛化能力。
• 通过张量-列车分解，模型显著减少参数量，同时保持或提升性能，表明参数效率得到改善。
• 生成 MRI 切片的可视化结果表明，THS-GAN 在训练过程中逐步生成更逼真的脑部结构（如脑沟、脑回），证实其学习到有意义的解剖学特征。
• 消融实验证实，张量-列车分解与高阶池化均能独立提升性能，二者结合可获得最佳结果。