[论文解读] A Comprehensive Study of Alzheimer's Disease Classification Using Convolutional Neural Networks

Ziqiang Guan, Ritesh Kumar+3 more|arXiv (Cornell University)|Apr 16, 2019

Brain Tumor Detection and Classification参考文献 18被引用 10

一句话总结

本研究使用完整的ADNI MRI数据集评估了深度学习模型在阿尔茨海默病分类中的表现，比较了2D与3D卷积神经网络、预训练以及模型架构的影响。研究发现，3D模型在计算成本显著增加的情况下仅带来1%的准确率提升，预训练的收益微乎其微（<0.5%），且多种主流CNN模型表现相近；而Clinica预处理流程的准确率显著优于FreeSurfer（89% vs. 63%）。

ABSTRACT

A plethora of deep learning models have been developed for the task of Alzheimer's disease classification from brain MRI scans. Many of these models report high performance, achieving three-class classification accuracy of up to 95%. However, it is common for these studies to draw performance comparisons between models that are trained on different subsets of a dataset or use varying imaging preprocessing techniques, making it difficult to objectively assess model performance. Furthermore, many of these works do not provide details such as hyperparameters, the specific MRI scans used, or their source code, making it difficult to replicate their experiments. To address these concerns, we present a comprehensive study of some of the deep learning methods and architectures on the full set of images available from ADNI. We find that, (1) classification using 3D models gives an improvement of 1% in our setup, at the cost of significantly longer training time and more computation power, (2) with our dataset, pre-training yields minimal ($&lt;0.5\%$) improvement in model performance, (3) most popular convolutional neural network models yield similar performance when compared to each other. Lastly, we briefly compare the effects of two image preprocessing programs: FreeSurfer and Clinica, and find that the spatially normalized and segmented outputs from Clinica increased the accuracy of model prediction from 63% to 89% when compared to FreeSurfer images.

研究动机与目标

• 客观比较使用一致数据和预处理流程的深度学习模型在阿尔茨海默病分类中的表现。
• 评估3D与2D卷积神经网络在分类准确率上的影响。
• 评估在MRI重建任务上进行预训练是否能提升在ADNI MRI数据上的分类性能。
• 在阿尔茨海默病分类背景下，比较广泛使用的CNN架构（如ResNet、DenseNet、InceptionNet）的性能表现。
• 研究不同的MRI预处理流程（FreeSurfer与Clinica）对下游模型准确率的影响。

提出的方法

• 在ADNI数据集的T1加权MRI扫描上训练2D与3D ResNet架构，分别使用冠状面切片和完整3D体素。
• 通过数据增强和类别平衡处理三分类任务（CN、MCI、AD）中的类别不平衡问题。
• 2D模型采用ImageNet预训练权重进行迁移学习，并在MRI数据上微调。
• 在端到端分类微调前，通过自编码器重建任务对MRI扫描进行预训练。
• 在相同3D 16层ResNet上，比较两种预处理流程（FreeSurfer（非归一化）与Clinica（空间归一化、组织分割））下的模型性能。
• 报告基于多个随机种子的验证集与测试集准确率及其标准差，以确保结果稳健性。

实验结果

研究问题

• RQ1 与2D模型相比，使用3D卷积神经网络是否能提升在ADNI MRI扫描上的分类准确率？其在训练时间和计算成本上的权衡如何？
• RQ2 在MRI重建任务上对CNN进行预训练，能在多大程度上提升阿尔茨海默病分类的最终性能？
• RQ3 当应用于同一数据集时，主流2D CNN架构（如ResNet、DenseNet、InceptionNet、VGG）在阿尔茨海默病分类任务中的性能表现如何比较？
• RQ4 选择不同的MRI预处理流程（FreeSurfer与Clinica）如何影响下游深度学习模型的准确率？
• RQ5 在这一特定医学影像任务中，架构创新（如Inception模块或密集连接）相较于简单架构是否更具影响力？

主要发现

• 在完整3D灰质图上使用3D ResNet-18相比在冠状面切片上使用2D ResNet-18，测试准确率提升了1.1%（从87.4%提升至88.5%），但训练时间与GPU显存占用显著增加。
• 在MRI重建任务上进行预训练带来的平均测试准确率提升不足0.5%，表明在此数据条件下收益微乎其微。
• 所有主要2D CNN架构（ResNet-18、DenseNet121、InceptionNet_V3、VGG19_bn）表现相近，测试准确率在87.5%至88.8%之间。
• Clinica输出的空间归一化与组织分割结果使模型在测试数据上的准确率达到89.2%，而使用FreeSurfer输出的非归一化、去颅骨结果仅达到63.5%。
• Clinica与FreeSurfer之间的性能差距显著且具有统计学意义，凸显了预处理在基于MRI的深度学习中的关键作用。
• 尽管先前研究声称架构复杂性（如Inception模块、密集连接）能带来性能增益，但在本阿尔茨海默病分类任务中，其对性能的提升并不显著。