[论文解读] Support vector machine classification of dimensionally reduced structural MRI images for dementia

Victoria A. Miller, S. Erlien+1 more|arXiv (Cornell University)|Jun 25, 2014

Brain Tumor Detection and Classification参考文献 8被引用 4

一句话总结

本研究提出一种支持向量机（SVM）分类器，利用结构磁共振成像（MRI）扫描的降维特征检测轻度至中度痴呆（CDR ≥ 1）。通过结合图像分割、对称性度量和主成分分析（PCA）提取11个关键特征，该方法在OASIS-Brains数据集上实现了85.7%的测试准确率和0.616的马修斯相关系数（MCC），采用高斯RBF核，表现出稳健的泛化能力且未出现过拟合。

ABSTRACT

We classify very-mild to moderate dementia in patients (CDR ranging from 0 to 2) using a support vector machine classifier acting on dimensionally reduced feature set derived from MRI brain scans of the 416 subjects available in the OASIS-Brains dataset. We use image segmentation and principal component analysis to reduce the dimensionality of the data. Our resulting feature set contains 11 features for each subject. Performance of the classifiers is evaluated using 10-fold cross-validation. Using linear and (gaussian) kernels, we obtain a training classification accuracy of 86.4% (90.1%), test accuracy of 85.0% (85.7%), test precision of 68.7% (68.5%), test recall of 68.0% (74.0%), and test Matthews correlation coefficient of 0.594 (0.616).

研究动机与目标

• 通过将高维MRI数据降维以避免原始体素基SVM中常见的过拟合，提升痴呆分类的泛化能力。
• 评估线性与高斯RBF核SVM在从结构MRI扫描中提取的降维特征集上的性能表现。
• 评估PCA导出的“特征脑”成分与解剖分割特征对分类性能的贡献。
• 确定年龄与PCA成分是否在独立于彼此的情况下对分类器性能具有关键影响。

提出的方法

• 本研究使用OASIS-Brains数据集中416名受试者的T1加权MRI扫描，经大脑提取、增益场校正和Talairach空间配准预处理。
• 应用图像分割计算白质、灰质和脑脊液的总体积，使用分割图像生成的二值掩码。
• 通过每个切片与其左右或上下翻转版本之间的零滞后互相关性量化轴向切片对称性，并以总信号进行归一化。
• 对冠状面和轴向图像堆栈分别独立应用主成分分析（PCA），并将第一主成分（特征脑）提取为特征。
• 构建包含11个变量的组合特征集——年龄、性别、总体积（eTIV）、非脑组织体积（nWBV）、组织体积、对称性度量和PCA系数——并进行标准化。
• 使用10折交叉验证训练并评估线性与高斯RBF核SVM，性能通过准确率、精确率、召回率和马修斯相关系数（MCC）进行衡量。

实验结果

研究问题

• RQ1 通过PCA和分割进行降维是否能提升SVM分类器在MRI痴呆分类中的泛化能力？
• RQ2 与仅使用解剖体积和对称性度量相比，包含PCA导出的特征脑成分是否显著提升分类器性能？
• RQ3 分类器是否主要依赖年龄，还是其他特征对预测有显著贡献？
• RQ4 在线性与高斯RBF核SVM之间，哪种在该降维特征集上表现更优且更具鲁棒性？

主要发现

• 采用高斯RBF核的SVM测试准确率达到85.7%，优于线性核（85.0%），马修斯相关系数（MCC）为0.616。
• 使用高斯核时，分类器测试精确率为68.5%，召回率为74.0%，表明对阳性病例具有较强敏感性。
• 排除PCA成分后MCC下降0.07，表明特征脑特征显著提升了分类器性能。
• 从特征集中移除年龄后，测试准确率下降约2%，表明年龄对分类有显著贡献，但并非唯一决定因素。
• 使用高斯核时，训练准确率为90.1%，但测试准确率稳定在85.7%，表明尽管输入维度较高，也未出现严重过拟合。
• 每视角使用超过一个PCA成分会提高训练准确率但未提升测试准确率，证实存在过拟合；因此每视角仅保留一个主成分。