[论文解读] 3D CNN-based classification using sMRI and MD-DTI images for Alzheimer disease studies

Alexander Khvostikov, Karim Aderghal+3 more|arXiv (Cornell University)|Jan 18, 2018

Dementia and Cognitive Impairment Research被引用 71

一句话总结

本文提出一个3D CNN框架，将海马体ROI的sMRI和MD-DTI（Mean Diffusivity）映射融合，用于将AD、MCI和NC进行分类，包括ROI大小分析以及用于类别平衡的专门数据增强策略。

ABSTRACT

Computer-aided early diagnosis of Alzheimers Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research in recent years. Some recent studies have shown promising results in the AD and MCI determination using structural and functional Magnetic Resonance Imaging (sMRI, fMRI), Positron Emission Tomography (PET) and Diffusion Tensor Imaging (DTI) modalities. Furthermore, fusion of imaging modalities in a supervised machine learning framework has shown promising direction of research. In this paper we first review major trends in automatic classification methods such as feature extraction based methods as well as deep learning approaches in medical image analysis applied to the field of Alzheimer's Disease diagnostics. Then we propose our own algorithm for Alzheimer's Disease diagnostics based on a convolutional neural network and sMRI and DTI modalities fusion on hippocampal ROI using data from the Alzheimers Disease Neuroimaging Initiative (ADNI) database (http://adni.loni.usc.edu). Comparison with a single modality approach shows promising results. We also propose our own method of data augmentation for balancing classes of different size and analyze the impact of the ROI size on the classification results as well.

研究动机与目标

• 动机并综述使用多模态影像的阿尔茨海默病及其前驱阶段（AD/MCI）的当前自动分类方法。
• 提出一个基于CNN的框架，将来自海马体ROI的sMRI和MD-DTI数据融合用于AD诊断。
• 评估ROI大小和数据增强策略对分类性能的影响。
• 利用ADNI数据展示在数据有限的情景下，基于ROI的3D CNN融合的可行性。

提出的方法

• 改编的3D CNN架构，针对来自sMRI和MD-DTI映射的海马体ROI体积进行处理。
• Siamese-like晚期融合：分离模态管道在softmax之前汇入一个共享的全连接层。
• 带有受控平衡的数据增强：通过随机平移和高斯模糊为代表性较弱的类别生成额外样本。
• 研究的ROI尺寸包括28、38、42和48体素的立方块，包围海马体ROI。
• 使用批量正则化和Nesterov动量来稳定和加速训练。
• 一种受到交叉验证启发、带有重复训练/验证分割的训练策略，以最大化数据利用率。

实验结果

研究问题

• RQ1 通过3D CNN融合sMRI和MD-DTI海马体ROI数据，是否能在AD/NC/MCI分类上超过单模态？
• RQ2 ROI大小如何影响基于ROI的3D CNN架构的分类准确性？
• RQ3 针对性的数据增强和类别平衡对在小到中等规模的ADNI数据集上模型表现有何影响？

主要发现

• 研究表明，在海马体ROI内结合sMRI和MD-DTI，相较于单模态方法，可获得具有竞争力的分类结果。
• 扩展到超出基础海马区域的更大ROI会影响性能，不同的架构带来不同的增益。
• 平衡的数据增强策略有助于缓解类别不平衡并提升网络训练的泛化能力。
• 所提出的3D CNN架构通过批量归一化和精心选择的优化设置显示出稳健的训练行为。
• 该方法展示了在ADNI数据子集上基于ROI的多模态3D CNN分类的可行性。