[论文解读] An Ensemble of Deep Convolutional Neural Networks for Alzheimer's Disease Detection and Classification

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|Dec 2, 2017

Brain Tumor Detection and Classification参考文献 6被引用 40

一句话总结

本文提出了一种基于三个DenseNet的深度卷积神经网络集成模型（DenseNet-121、DenseNet-161、DenseNet-169），用于使用OASIS数据集中的脑部MRI数据检测和分类阿尔茨海默病。该模型利用迁移学习，采用来自冠状面、矢状面和轴面的3D MRI图像块输入，并通过多数投票策略实现了93.18%的准确率，在此小规模数据集上优于先前的方法。

ABSTRACT

Alzheimer's Disease destroys brain cells causing people to lose their memory, mental functions and ability to continue daily activities. It is a severe neurological brain disorder which is not curable, but earlier detection of Alzheimer's Disease can help for proper treatment and to prevent brain tissue damage. Detection and classification of Alzheimer's Disease (AD) is challenging because sometimes the signs that distinguish Alzheimer's Disease MRI data can be found in normal healthy brain MRI data of older people. Moreover, there are relatively small amount of dataset available to train the automated Alzheimer's Disease detection and classification model. In this paper, we present a novel Alzheimer's Disease detection and classification model using brain MRI data analysis. We develop an ensemble of deep convolutional neural networks and demonstrate superior performance on the Open Access Series of Imaging Studies (OASIS) dataset.

研究动机与目标

• 开发一种鲁棒的深度学习模型，用于在有限神经影像数据下检测早期阿尔茨海默病。
• 通过迁移学习和多平面MRI图像块的数据增强，解决小规模医学影像数据集的挑战。
• 通过预训练的DenseNet架构集成，提升对四种AD阶段（非痴呆、极轻度、轻度和中度）的分类性能。
• 通过准确区分早期AD阶段的细微病理变化，实现更早的临床干预。

提出的方法

• 该框架将来自冠状面、矢状面和轴面的3D MRI图像块作为输入，输入至三个预训练的DenseNet模型（DenseNet-121、DenseNet-161、DenseNet-169）。
• 通过使用ImageNet预训练权重应用迁移学习，以提升在小规模OASIS数据集上的特征学习能力。
• 每个独立模型通过Softmax层输出四种类别的概率，使用交叉熵损失进行优化。
• 最终预测通过三个模型之间的多数投票确定，以增强鲁棒性和泛化能力。
• 采用5折交叉验证，每折使用70%训练集、10%验证集和20%测试集，以确保可靠的评估。
• 训练过程中应用类别权重以缓解类别不平衡问题，特别是对中度AD等稀有类别。

实验结果

研究问题

• RQ1 基于预训练的DenseNet模型集成能否有效对小规模MRI数据集中的阿尔茨海默病阶段进行分类？
• RQ2 与单平面输入相比，多平面图像块输入（冠状面、矢状面、轴面）在分类性能上是否有提升？
• RQ3 在有限的医学影像数据上，迁移学习和类别权重在多大程度上提升了模型性能？
• RQ4 在小规模数据集上，通过多样化DenseNet架构进行多数投票是否能提升泛化能力并减少过拟合？
• RQ5 与SOTA方法（如GLCM）相比，该模型在OASIS数据集上的准确率和F1分数表现如何？

主要发现

• 所提出的集成模型在OASIS数据集上实现了93.18%的准确率、94%的精确率、93%的召回率和92%的F1分数，优于先前的SOTA方法。
• DenseNet-121在个体模型中表现最佳，F1得分为92%；而DenseNet-161由于类别不平衡，在稀有类别上表现较差。
• 集成模型将“极轻度”AD类别的召回率提升至33%（相比DenseNet-161的0%），表明其在早期阶段检测能力更强。
• 训练过程中使用类别权重显著提升了对低频类别的性能，特别是仅含2个样本的“中度”AD类别。
• 集成模型在“极轻度”AD类别上实现了100%的精确率，表明其对这一阶段预测具有高度置信度。