[论文解读] Classification of Alzheimer's Disease using fMRI Data and Deep Learning Convolutional Neural Networks

Saman Sarraf, Ghassem Tofighi|arXiv (Cornell University)|Mar 29, 2016

Brain Tumor Detection and Classification被引用 127

一句话总结

该论文使用卷积神经网络（LeNet-5）从经过预处理的 ADNI 相关 fMRI 数据中，将阿尔茨海默病与健康对照进行分类，在5折交叉检验中实现约 96.86% 的测试准确率。

ABSTRACT

Over the past decade, machine learning techniques especially predictive modeling and pattern recognition in biomedical sciences from drug delivery system to medical imaging has become one of the important methods which are assisting researchers to have deeper understanding of entire issue and to solve complex medical problems. Deep learning is power learning machine learning algorithm in classification while extracting high-level features. In this paper, we used convolutional neural network to classify Alzheimer's brain from normal healthy brain. The importance of classifying this kind of medical data is to potentially develop a predict model or system in order to recognize the type disease from normal subjects or to estimate the stage of the disease. Classification of clinical data such as Alzheimer's disease has been always challenging and most problematic part has been always selecting the most discriminative features. Using Convolutional Neural Network (CNN) and the famous architecture LeNet-5, we successfully classified functional MRI data of Alzheimer's subjects from normal controls where the accuracy of test data on trained data reached 96.85%. This experiment suggests us the shift and scale invariant features extracted by CNN followed by deep learning classification is most powerful method to distinguish clinical data from healthy data in fMRI. This approach also enables us to expand our methodology to predict more complicated systems.

研究动机与目标

• 探讨深度学习如何帮助从 fMRI 数据中对阿尔茨海默病进行分类的动机。
• 开发基于 CNN 的管线，将 fMRI 4D 数据转换为用于分类的图像样本输入。
• 评估基于 CNN 的方法在交叉验证下的性能与鲁棒性。

提出的方法

• 对来自 ADNI 的 fMRI 数据进行预处理，并将 4D fMRI 转换为 2D JPEG 图像；标注为 Alzheimer's vs Normal。
• 采用 LeNet-5 CNN 架构并在 NVIDIA GPU 环境下通过 Caffe DIGITS 进行训练。
• 将数据分为训练集（60%）、验证集（20%）和测试集（20%）；进行5次交叉验证。
• 训练 30 个 epoch，批量大小为 64；总样本数：270,900 张训练图像和 90,300 张验证/测试图像。
• 报告在 5 次运行中的准确率，并讨论学习率调度和损失/准确率的趋势。

实验结果

研究问题

• RQ1 CNN 架构是否能够在基于 fMRI 派生的图像输入上有效逼近 LeNet-5，以实现阿尔茨海默病与健康的分类？
• RQ2 在 ADNI 派生的 fMRI 数据上进行交叉验证时，基于 CNN 的方法能够达到的准确率与稳定性如何？
• RQ3 CNN 是否能够捕捉到对从静息态 fMRI 数据进行阿尔茨海默病分类具有区分力、平移/尺度不变的特征？

主要发现

• 5 次运行的平均测试准确率为 96.8588%（范围大约 96.854%–96.863%）。
• 训练使用 30 个 epoch，学习率调度（初始 0.01，每 10 个 epoch 除以 10）。
• CNN 的特征（滤波器/卷积核）提供对各层学习表示的可视化。
• 与之前基于 SVM 的方法（约 84%）相比，在相同数据处理流水线下，CNN 方法取得了显著的准确率提升。