[论文解读] A novel machine learning based framework for detection of Autism Spectrum Disorder (ASD)

Hamza Sharif, Rizwan Ahmed Khan|arXiv (Cornell University)|Mar 27, 2019

Autism Spectrum Disorder Research参考文献 103被引用 75

一句话总结

本文提出了一种基于ABIDE-I数据集的T1加权MRI扫描的机器学习框架，用于自动化自闭症谱系障碍（ASD）检测。该方法从胼胝体和颅内脑体积中提取特征，应用特征加权以增强判别能力，并在传统机器学习与使用VGG16的迁移学习之间进行评估，实现了66%的ASD检测准确率，证明了在数据有限的情况下，混合方法在神经影像学诊断中的可行性。

ABSTRACT

Computer vision and machine learning are the linchpin of field of automation. The medicine industry has adopted numerous methods to discover the root causes of many diseases in order to automate detection process. But, the biomarkers of Autism Spectrum Disorder (ASD) are still unknown, let alone automating its detection. Studies from the neuroscience domain highlighted the fact that corpus callosum and intracranial brain volume holds significant information for detection of ASD. Such results and studies are not tested and verified by scientists working in the domain of computer vision / machine learning. Thus, in this study we have proposed a machine learning based framework for automatic detection of ASD using features extracted from corpus callosum and intracranial brain volume from ABIDE dataset. Corpus callosum and intracranial brain volume data is obtained from T1-weighted MRI scans. Our proposed framework first calculates weights of features extracted from Corpus callosum and intracranial brain volume data. This step ensures to utilize discriminative capabilities of only those features that will help in robust recognition of ASD. Then, conventional machine learning algorithm (conventional refers to algorithms other than deep learning) is applied on features that are most significant in terms of discriminative capabilities for recognition of ASD. Finally, for benchmarking and to verify potential of deep learning on analyzing neuroimaging data i.e. T1-weighted MRI scans, we have done experiment with state of the art deep learning architecture i.e. VGG16 . We have used transfer learning approach to use already trained VGG16 model for detection of ASD. This is done to help readers understand benefits and bottlenecks of using deep learning approach for analyzing neuroimaging data which is difficult to record in large enough quantity for deep learning.

研究动机与目标

• 开发一种基于神经影像数据的自动化ASD检测机器学习框架。
• 研究胼胝体和颅内脑体积特征在ASD分类中的判别潜力。
• 在数据有限的神经影像数据上，比较传统机器学习与深度学习（VGG16）在ASD检测中的表现。
• 评估深度学习在低数据环境下神经影像应用中的优势与局限性。
• 通过结合结构MRI特征与稳健的特征选择方法，支持ASD的早期临床检测。

提出的方法

• 从ABIDE-I数据集中T1加权MRI扫描的胼胝体和颅内脑体积区域提取特征。
• 应用特征加权以优先选择具有判别性的特征，提升分类鲁棒性。
• 在选定特征上使用传统机器学习算法对ASD与对照组进行分类。
• 利用预训练的VGG16模型进行迁移学习，对胼胝体区域的裁剪tif图像进行微调。
• 使用ADAM优化器和Softmax激活函数，在80%的数据上训练VGG16的最终全连接层，20%用于验证。
• 将nifti格式的MRI扫描转换为TIFF格式，剔除不具代表性的切片，保留约10万张包含完整胼胝体区域的图像。

实验结果

研究问题

• RQ1 来自胼胝体和颅内脑体积的特征是否能提升结构MRI中的ASD检测准确率？
• RQ2 特征加权如何提升传统机器学习模型在ASD分类中的性能？
• RQ3 在有限的神经影像数据上，使用VGG16的迁移学习在ASD检测中的表现如何？
• RQ4 在ASD检测中，传统机器学习与深度学习在准确率和数据效率方面如何比较？
• RQ5 在标注数据稀缺的情况下，使用深度学习处理神经影像数据的主要瓶颈是什么？

主要发现

• 所提出的框架在ABIDE-I MRI数据上通过使用VGG16的迁移学习，实现了66%的检测准确率。
• 传统机器学习方法优于基线模型，但未达到深度学习带来的10%性能提升。
• 特征加权显著提升了分类器的鲁棒性，并降低了计算复杂度。
• 本研究证实，胼胝体和颅内脑体积特征携带可用于ASD分类的判别信息。
• 尽管数据有限，使用VGG16的迁移学习仍展现出潜力，但性能受限于数据稀缺。
• 作者观察到，在使用多中心神经影像数据时分类准确率下降，与文献中先前发现一致。