[论文解读] Image analysis for Alzheimer's disease prediction: Embracing pathological hallmarks for model architecture design

Sarah C. Brüningk, Felix Hensel+2 more|arXiv (Cornell University)|Nov 12, 2020

Brain Tumor Detection and Classification参考文献 9被引用 4

一句话总结

本文提出了一种可扩展的混合深度学习框架，通过持久同调（persistent homology）将基于图像块的3D卷积神经网络（3D-CNN）与拓扑数据分析（TDA）相结合，以同时建模阿尔茨海默病（AD）中的局部脑萎缩和全局连接性变化。该方法在ADNI数据库的T1加权MRI数据上对认知正常个体与AD患者进行分类时，平均精确度达到0.95±0.03，表现出具有竞争力的性能，同时具备可解释性与并行化训练能力。

ABSTRACT

Alzheimer's disease (AD) is associated with local (e.g. brain tissue atrophy) and global brain changes (loss of cerebral connectivity), which can be detected by high-resolution structural magnetic resonance imaging. Conventionally, these changes and their relation to AD are investigated independently. Here, we introduce a novel, highly-scalable approach that simultaneously captures $ extit{local}$ and $ extit{global}$ changes in the diseased brain. It is based on a neural network architecture that combines patch-based, high-resolution 3D-CNNs with global topological features, evaluating multi-scale brain tissue connectivity. Our local-global approach reached competitive results with an average precision score of $0.95\pm0.03$ for the classification of cognitively normal subjects and AD patients (prevalence $\approx 55\%$).

研究动机与目标

• 开发一种可扩展的高分辨率3D图像分析框架，以捕捉阿尔茨海默病中局部与全局的脑部变化。
• 将拓扑数据分析（TDA）与深度学习相结合，建模对噪声具有鲁棒性的多尺度脑连接特征。
• 通过基于图像块的方法与并行化处理，克服全体积3D-CNN训练的计算限制。
• 通过将学习到的特征与AD的病理学特征关联，提升模型预测的可解释性。
• 为更复杂的临床分类任务（如轻度认知障碍与AD的区分）建立迁移学习的基础。

提出的方法

• 对从高分辨率T1加权MRI扫描中提取的216个体积块（30×36×30体素）应用基于图像块的3D-CNN架构，并通过随机搜索优化超参数。
• 利用全3D MRI体积中的持久同调提取拓扑特征，并通过持久图像（PI）将描述符向量化，以集成至2D-CNN中。
• 评估了两种集成策略：(i) 使用逻辑回归组合全部216个基于图像块的3D-CNN的预测结果，以及(ii) 组合单个图像块3D-CNN与全局TDA特征。
• 图像预处理包括重采样、裁剪，并测试了多种滤波器（高斯滤波、下采样）和持久性滤波，以减少噪声。
• 最终模型采用简单的3D-CNN架构，使用He均匀初始化和Adam优化器，训练2500个周期，并采用早停法。
• 通过分析最具预测力的图像块及其关联的拓扑特征，实现模型可解释性，相关结果在矢状位MRI切片上可视化。

实验结果

研究问题

• RQ1 结合局部3D-CNN特征与全局拓扑特征的混合深度学习模型，是否能提升阿尔茨海默病分类的准确性？
• RQ2 使用持久同调的拓扑数据分析（TDA）是否能增强对结构MRI中全脑连接性变化的检测能力？
• RQ3 在GPU内存受限的情况下，基于图像块的3D-CNN方法与全体积3D-CNN训练相比，在可扩展性与性能方面有何差异？
• RQ4 融合多个图像块预测结果与全局TDA特征的集成模型，是否能比单模型基线实现更高的鲁棒性与泛化能力？
• RQ5 模型的预测在多大程度上可以基于阿尔茨海默病已知的病理学特征进行解释？

主要发现

• 组合全部216个基于图像块的3D-CNN预测结果的集成模型，在区分认知正常个体与阿尔茨海默病患者时，平均精确度达到0.95±0.03。
• 使用单个代表性图像块与拓扑特征（PI）的模型表现出具有竞争力的性能，表明全局拓扑特征可有效补充局部图像块级表征。
• 尽管进行了大量预处理，拓扑特征并未显著提升分类性能，相较于基线3D-CNN，表明TDA流程设计仍有优化空间。
• 基于图像块的方法实现了高度并行化训练，在标准GPU硬件上，3D-CNN的推理速度达到每周期1秒，2D-CNN达到每周期0.1秒。
• 该方法展现出强大的可扩展性与可解释性，最具预测力的图像块及其关联的拓扑特征可被识别并可视化在MRI切片上。
• 本研究凸显了在全体积训练计算不可行时，使用简单且可解释的3D-CNN架构结合TDA，对高分辨率3D MRI分析的可行性。