[论文解读] On the design of convolutional neural networks for automatic detection of Alzheimer's disease

Sheng Liu, Chhavi Yadav+2 more|arXiv (Cornell University)|Nov 9, 2019

Brain Tumor Detection and Classification被引用 18

一句话总结

本文提出一种用于基于结构T1加权MRI扫描自动检测阿尔茨海默病（AD）的3D卷积神经网络（CNN）架构，采用实例归一化、小卷积核初始层以避免早期下采样、宽网络宽度以及年龄嵌入。该模型在ADNI数据集上的测试准确率较先前方法提升14%，并在独立的AIBL数据集上表现出良好的泛化能力。

ABSTRACT

Early detection is a crucial goal in the study of Alzheimer's Disease (AD). In this work, we describe several techniques to boost the performance of 3D deep convolutional neural networks (CNNs) trained to detect AD using structural brain MRI scans. Specifically, we provide evidence that (1) instance normalization outperforms batch normalization, (2) early spatial downsampling negatively affects performance, (3) widening the model brings consistent gains while increasing the depth does not, and (4) incorporating age information yields moderate improvement. Together, these insights yield an increment of approximately 14% in test accuracy over existing models when distinguishing between patients with AD, mild cognitive impairment, and controls in the ADNI dataset. Similar performance is achieved on an independent dataset.

研究动机与目标

• 通过深度学习提高从结构脑MRI扫描中自动检测阿尔茨海默病的准确性。
• 解决现有模型在区分认知正常（CN）、轻度认知障碍（MCI）和AD患者时分类性能较低的挑战。
• 研究提升3D CNN在三分类MRI分类任务中性能的网络架构设计选择。
• 通过在独立数据集（AIBL）上验证模型，确保其泛化能力，且无数据泄露。
• 通过学习特征的显著性图分析，提供对模型可解释性的洞察。

提出的方法

• 模型使用实例归一化而非批量归一化，以稳定训练并提升性能。
• 在第一层采用小尺寸卷积核，避免早期空间下采样，以保留空间分辨率。
• 通过大幅增加每层的滤波器数量，拓宽网络架构，同时保持相对较少的深度层，以增强表征能力。
• 将患者年龄作为学习嵌入特征引入，受自然语言处理技术的启发，以提升分类性能。
• 通过计算预测类别得分相对于输入MRI体积的梯度幅值生成显著性图，以可视化学习到的特征。
• 在ADNI数据集上进行模型训练与评估，采用谨慎的数据划分以防止数据泄露，并在独立的AIBL数据集上进行验证。

实验结果

研究问题

• RQ1 在MRI数据的3D CNN中，实例归一化是否优于批量归一化用于AD分类？
• RQ2 早期空间下采样如何影响3D CNN在从结构MRI检测AD时的性能？
• RQ3 增加网络宽度与增加深度相比，对AD检测分类准确率的相对影响是什么？
• RQ4 将患者年龄作为连续嵌入特征是否能提升模型在区分CN、MCI和AD方面的性能？
• RQ5 所提出的架构是否能有效泛化至独立的外部MRI数据集？

主要发现

• 实例归一化优于批量归一化，显著提升了3D CNN在AD检测中的模型稳定性与准确率。
• 早期空间下采样会显著降低性能，通过小卷积核初始层避免下采样可带来一致的性能提升。
• 拓宽网络（增加滤波器数量）可带来一致的性能改进，而增加深度则无此益处。
• 将患者年龄作为嵌入特征可带来中等但可测量的分类准确率提升。
• 在ADNI数据集上，所提出的模型相较于现有模型在区分CN、MCI和AD的测试准确率上提升了14%。
• 该模型在独立的AIBL数据集上表现出有效的泛化能力，未使用年龄信息即达到63.6%的准确率，证实了其鲁棒的特征学习能力。