[论文解读] 3D Inception-based CNN with sMRI and MD-DTI data fusion for Alzheimer's Disease diagnostics

Alexander Khvostikov, Karim Aderghal+3 more|arXiv (Cornell University)|Jul 17, 2018

Dementia and Cognitive Impairment Research被引用 13

一句话总结

该论文提出了一种基于3D Inception的卷积神经网络，通过融合海马体感兴趣区域的结构性磁共振成像（sMRI）和扩散张量成像（DTI）数据，以提升阿尔茨海默病（AD）和轻度认知障碍（MCI）的诊断效果。该模型在参数量仅为AlexNet基线模型6分之1的情况下，实现了更高的准确率，证明了其在使用ADNI数据集进行多模态脑影像分类任务中具有更优的性能与效率。

ABSTRACT

In the last decade, computer-aided early diagnostics of Alzheimer's Disease (AD) and its prodromal form, Mild Cognitive Impairment (MCI), has been the subject of extensive research. 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 design of a 3D Inception-based Convolutional Neural Network (CNN) for Alzheimer's Disease diagnostics. The network is designed with an emphasis on the interior resource utilization and uses sMRI and DTI modalities fusion on hippocampal ROI. The comparison with the conventional AlexNet-based network using data from the Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset (http://adni.loni.usc.edu) demonstrates significantly better performance of the proposed 3D Inception-based CNN.

研究动机与目标

• 开发一种计算高效的3D CNN架构，用于利用多模态神经影像数据实现阿尔茨海默病（AD）和轻度认知障碍（MCI）的早期检测。
• 通过在深度学习框架中融合sMRI与DTI模态，提升分类性能，重点关注海马体感兴趣区域（ROI）。
• 通过减少参数数量而不牺牲准确率，优化3D CNN内部资源利用率，实现更快的训练速度和更好的可扩展性。
• 在包含531名受试者的ADNI数据集子集上评估所提模型，并与传统的基于AlexNet的架构进行性能对比。
• 证明轻量化、高效率的3D CNN在大规模筛查中适用于实际临床计算机辅助诊断（CAD）系统的可行性。

提出的方法

• 所提方法采用基于3D Inception的CNN架构，旨在实现高效的内部资源利用，在保持高表征能力的同时最小化参数数量。
• 输入数据由从海马体提取的3D体积分割ROI构成，结合sMRI与DTI扫描，实现在特征层面的多模态融合。
• 网络采用Inception模块，通过并行使用不同尺寸的卷积滤波器，捕捉3D脑影像中的多尺度空间特征。
• 通过在输入层对sMRI与DTI模态进行特征拼接，实现模态融合，使网络能够联合学习结构与微结构脑变化。
• 采用监督学习进行模型训练，损失函数为交叉熵损失，优化算法为随机梯度下降，适用于二分类（AD/NC、AD/MCI、MCI/NC）与三分类（AD/MCI/NC）任务。
• 训练在单个GPU上进行，由于参数量减少，该架构支持更大的批量大小，从而提升训练稳定性和收敛速度。

实验结果

研究问题

• RQ1 在使用多模态sMRI与DTI数据对AD与MCI进行分类时，参数量更少的3D Inception-based CNN是否能超越传统的基于AlexNet的网络？
• RQ2 在输入层融合sMRI与DTI模态是否能提升诊断准确率，相比单独使用单一模态输入？
• RQ3 在3D脑影像分析中，架构效率（以参数数量与训练时间衡量）在多大程度上影响分类性能？
• RQ4 该模型在真实世界数据集（如ADNI）上对二分类与三分类任务的性能表现如何？
• RQ5 轻量化3D CNN能否在计算成本显著降低的前提下实现高准确率，从而适用于临床CAD系统的实际部署？

主要发现

• 所提3D Inception-based CNN在ADNI数据集上对二分类AD与NC任务的分类准确率达到93.3%。
• 在AD与MCI分类任务中，模型准确率达到86.7%；在MCI与NC分类中，准确率达到73.3%。
• 在三分类任务（AD/MCI/NC）中，模型准确率达到68.9%，证明其具备区分三类诊断群体的能力。
• 所提网络的参数量仅为同等深度的AlexNet基线模型的1/6，显著提升了模型效率。
• 尽管参数量更少，该模型在二分类任务中准确率较AlexNet基线提升3–6%，在三分类任务中提升近7%。
• 由于参数负载更轻，该模型训练时间约为AlexNet基线模型的1.7倍，即使在相同批量大小下也表现出更优的训练效率。