[论文解读] End-to-End Parkinson Disease Diagnosis using Brain MR-Images by 3D-CNN

Soheil Esmaeilzadeh, Yao Yang+1 more|arXiv (Cornell University)|Jun 13, 2018

Advanced Neural Network Applications参考文献 10被引用 47

一句话总结

该论文提出一个端到端的三维卷积神经网络框架，利用3D脑MRI在同时结合年龄和性别信息来对帕金森病进行分类；它报告了高的验证/测试性能，并提供大脑热图以识别重要区域。

ABSTRACT

In this work, we use a deep learning framework for simultaneous classification and regression of Parkinson disease diagnosis based on MR-Images and personal information (i.e. age, gender). We intend to facilitate and increase the confidence in Parkinson disease diagnosis through our deep learning framework.

研究动机与目标

• 通过端到端学习在无手工特征的情况下改进帕金森病诊断。
• 在一个统一模型中将MRI数据与人口统计特征（年龄、性别）整合。
• 评估联合分类和回归信号是否改善诊断性能。
• 通过大脑热图展示模型可解释性，以识别关键区域。
• 评估诸如去颅骨/数据增强等预处理步骤对性能的影响。

提出的方法

• 使用去颅骨的3D MRI数据（80x100x108x1）作为输入。
• 开发一个包含重复卷积-池化块和两个全连接层的3D-CNN架构。
• 使用Leaky ReLU激活和Softmax输出进行帕金森病与健康对比的分类。
• 在最后一个全连接层中将年龄和性别作为额外特征。
• 应用归一化（批归一化或组归一化）和正则化（核/偏置）并进行超参数搜索。
• 使用Adam优化器和交叉熵损失；用F2-score强调召回来评估。

实验结果

研究问题

• RQ1 仅使用MRI数据的端到端3D-CNN是否比加入人口统计特征（年龄、性别）的模型在帕金森病分类上有更高的准确性？
• RQ2 哪些预处理（去颅骨、数据增强）和正则化选择能在PD与HC之间最大化泛化？
• RQ3 归一化技术（批归一化与组归一化）以及 dropout 如何影响训练稳定性和性能？
• RQ4 热图分析能否识别与医学知识一致的对帕金森诊断关键的大脑区域？

主要发现

• 在他们报道的实验中，带年龄和性别的最佳简化模型在训练集和验证集上均达到100%准确率，并且在测试集上也达到100%准确率。
• 加入年龄和性别通常提高了验证准确率（在某些配置中最高提升5个百分点）。
• 归一化和正则化策略减少了过拟合，且往往提升了验证准确率（在若干设置中可达到89.5%–100%）。
• 混淆矩阵和ROC曲线显示在训练、验证和测试集上对HC与PD的区分几乎完美（AUC=1.0）。
• 热图分析强调基底节和黑质为公认的关键区域，右半球的顶上顶区对PD诊断的新强调。