[论文解读] Automatic Classification of Alzheimer's Disease using brain MRI data and deep Convolutional Neural Networks

Zahraa Sh. Aaraji, Hawraa H. Abbas|arXiv (Cornell University)|Mar 31, 2022

Brain Tumor Detection and Classification被引用 5

一句话总结

本研究提出了一种基于脑部MRI扫描的深度学习框架，用于自动分类阿尔茨海默病（AD），在原始图像和处理后图像上应用了预处理、分割以及四种卷积神经网络（CNN）架构，尤其是ResNet。通过分割的MRI数据，最佳结果在区分AD与认知正常受试者时达到了93.50%的准确率，表明图像预处理可显著提升分类性能。

ABSTRACT

Alzheimer's disease (AD) is one of the most common public health issues the world is facing today. This disease has a high prevalence primarily in the elderly accompanying memory loss and cognitive decline. AD detection is a challenging task which many authors have developed numerous computerized automatic diagnosis systems utilizing neuroimaging and other clinical data. MRI scans provide high-intensity visible features, making these scans the most widely used brain imaging technique. In recent years deep learning has achieved leading success in medical image analysis. But a relatively little investigation has been done to apply deep learning techniques for the brain MRI classification. This paper explores the construction of several deep learning architectures evaluated on brain MRI images and segmented images. The idea behind segmented images investigates the influence of image segmentation step on deep learning classification. The image processing presented a pipeline consisting of pre-processing to enhance the MRI scans and post-processing consisting of a segmentation method for segmenting the brain tissues. The results show that the processed images achieved a better accuracy in the binary classification of AD vs. CN (Cognitively Normal) across four different architectures. ResNet architecture resulted in the highest prediction accuracy amongst the other architectures (90.83% for the original brain images and 93.50% for the processed images).

研究动机与目标

• 开发一种基于脑部MRI数据的自动化系统，用于分类阿尔茨海默病。
• 评估图像预处理和分割对基于深度学习的AD分类的影响。
• 比较多种深度卷积神经网络架构在MRI数据上的性能表现。
• 确定分割后的脑组织图像是否相比原始扫描能提升分类准确率。
• 提供一个鲁棒的端到端流程，用于仅使用少量临床数据和高分辨率MRI进行AD诊断。

提出的方法

• 该方法采用多阶段流程：通过预处理提升MRI扫描质量，并通过脑组织分割进行后处理。
• 应用组织分割以分离脑部结构，旨在降低噪声并突出病理特征。
• 在原始图像和分割图像上，对四种深度学习架构——ResNet、DenseNet、VGGNet和InceptionNet——进行了训练与评估。
• 模型使用ImageNet预训练权重进行迁移学习，以提升在有限医疗数据上的泛化能力。
• 通过AD与认知正常受试者之间的二分类准确率评估性能。
• 研究采用标准的训练/验证/测试集划分，以确保性能估计的可靠性。

实验结果

研究问题

• RQ1 图像分割是否能提升深度学习模型在脑部MRI扫描中分类阿尔茨海默病的性能？
• RQ2 哪种深度神经网络架构在AD与认知正常受试者分类中达到最高准确率？
• RQ3 预处理MRI数据如何影响模型检测AD相关模式的能力？
• RQ4 与原始MRI扫描相比，使用分割后的脑组织图像是否带来显著的性能提升？
• RQ5 使用预训练模型进行迁移学习是否能有效利用有限MRI数据对AD进行分类？

主要发现

• ResNet架构在原始MRI图像上的准确率达到最高，为90.83%。
• 在应用图像分割后，ResNet模型的准确率提升至93.50%，表明预处理带来了显著的性能提升。
• 所有评估架构中，分割图像的性能均优于原始图像，证实了组织层面特征提取的优势。
• 本研究表明，预处理和分割能显著提升深度学习模型在AD分类中的性能。
• 在所测试的模型中，ResNet表现出最稳健的性能，表明其适用于医学图像分类任务。
• 结果表明，基于处理后MRI数据训练的深度学习模型可实现高诊断准确率，支持其在临床决策支持系统中的应用。