[论文解读] Is Texture Predictive for Age and Sex in Brain MRI?

Nick Pawlowski, Ben Glocker|arXiv (Cornell University)|Jul 25, 2019

Radiomics and Machine Learning in Medical Imaging参考文献 8被引用 6

一句话总结

本研究探讨了在T1加权脑部MRI中，仅使用局部纹理特征是否足以实现准确的年龄和性别预测，方法是采用BagNets的3D泛化模型——一种具有局部感受野的神经网络。尽管感受野较小（9–33 mm³），该模型仍实现了与更大网络相当的性能，年龄预测的平均绝对误差为3.86年，性别分类准确率为84.0%，表明仅靠纹理特征在医学影像中也具有高度预测能力。

ABSTRACT

Deep learning builds the foundation for many medical image analysis tasks where neuralnetworks are often designed to have a large receptive field to incorporate long spatialdependencies. Recent work has shown that large receptive fields are not always necessaryfor computer vision tasks on natural images. We explore whether this translates to certainmedical imaging tasks such as age and sex prediction from a T1-weighted brain MRI scans.

研究动机与目标

• 确定T1加权脑部MRI中的局部纹理特征是否足以实现年龄和性别预测。
• 评估小感受野神经网络（BagNets）在3D医学影像任务中的性能。
• 探究在脑部MRI中，准确的年龄和性别预测是否依赖于全局空间结构。
• 探索小感受野模型在医学图像分析中局部预测的可解释性。

提出的方法

• 通过将2D卷积替换为3D卷积，并将特征图数量减半，将BagNets推广至3D医学影像。
• 使用1×1卷积核将感受野限制在9、17、33和177 mm³，以强制实现特征局部性。
• 通过全局平均池化生成局部特征的集合表示，随后使用线性分类器进行预测。
• 由于小批量大小为1，采用实例归一化进行训练，并在16个批次上累积梯度。
• 使用Adam优化器，采用衰减学习率和L2正则化，并对性别分类使用交叉熵损失，对年龄回归使用均方误差损失。
• 通过重新排序全局平均池化和最终全连接层的操作，实现局部预测图的提取。

实验结果

研究问题

• RQ1 能否从T1加权脑部MRI中小感受野提取的纹理特征，实现与大感受野相当的年龄和性别预测精度？
• RQ2 深度学习模型在年龄和性别预测中的性能是否依赖于全局空间上下文，还是仅靠局部纹理即可实现？
• RQ3 小感受野模型的局部预测在可解释性和空间分布上，与大感受野模型相比如何？
• RQ4 在有限的医学影像数据集上训练时，大感受野模型是否更容易发生过拟合？

主要发现

• 感受野为9 mm³时，年龄回归的平均绝对误差为5.53年，性别分类准确率为83.2%，表明在极小局部上下文下仍具有强大性能。
• 最大感受野（177 mm³）实现了最低的平均绝对误差（3.86年），但表现出过拟合迹象，表明性能存在潜在权衡。
• 在17 mm³、33 mm³和177 mm³感受野下，性别分类准确率稳定在84.0%，表明对感受野大小具有鲁棒性。
• 年龄回归的局部预测表现出较高方差，仅少数高价值区域显著贡献于整体体积的平均预测。
• 该模型的局部预测可解释性低于以往在自然图像上的研究，表明在临床解释中仍存在挑战。
• 结果表明，仅靠纹理信息即可高度预测T1脑部MRI中的年龄和性别，即使不依赖全局结构建模。