[论文解读] Towards Alzheimer's Disease Classification through Transfer Learning

Marcia Hon, Naimul Khan|arXiv (Cornell University)|Nov 29, 2017

Brain Tumor Detection and Classification被引用 21

一句话总结

本文提出了一种基于预训练VGG16和Inception V4模型的迁移学习方法，用于在MRI数据上进行阿尔茨海默病分类。通过使用图像熵选择最具信息量的训练切片，该方法仅使用5,120张训练图像即实现了96.25%的准确率，展示了在训练集规模仅为先前深度学习方法约十分之一的情况下达到最先进性能的能力。

ABSTRACT

Detection of Alzheimer's Disease (AD) from neuroimaging data such as MRI through machine learning have been a subject of intense research in recent years. Recent success of deep learning in computer vision have progressed such research further. However, common limitations with such algorithms are reliance on a large number of training images, and requirement of careful optimization of the architecture of deep networks. In this paper, we attempt solving these issues with transfer learning, where state-of-the-art architectures such as VGG and Inception are initialized with pre-trained weights from large benchmark datasets consisting of natural images, and the fully-connected layer is re-trained with only a small number of MRI images. We employ image entropy to select the most informative slices for training. Through experimentation on the OASIS MRI dataset, we show that with training size almost 10 times smaller than the state-of-the-art, we reach comparable or even better performance than current deep-learning based methods.

研究动机与目标

• 解决阿尔茨海默病分类中标注MRI数据有限的挑战。
• 减少对大规模、昂贵且难以获取的医学训练数据集的依赖。
• 通过迁移学习和智能数据选择，提升在小规模医学影像数据集上的深度学习性能。
• 评估来自自然图像数据集的预训练模型在脑部MRI上对AD检测是否具有良好的泛化能力。
• 证明在极少超参数调优和较低计算成本下，仍可实现高准确率。

提出的方法

• 在小规模MRI数据集上，使用ImageNet权重微调预训练的VGG16和Inception V4模型。
• 通过图像熵选择最具信息量的MRI切片，以最大化训练集中的信息含量。
• 仅训练卷积神经网络的全连接层，同时冻结卷积特征提取器。
• 采用五折交叉验证评估模型的鲁棒性和泛化能力。
• 使用OASIS数据集，包含200名受试者的6,400张MRI切片，已进行预处理和归一化。
• 采用标准深度学习训练协议，使用Adam优化器和分类交叉熵损失。

实验结果

研究问题

• RQ1 使用小规模MRI数据集时，基于ImageNet预训练模型的迁移学习是否能在阿尔茨海默病分类中实现高准确率？
• RQ2 与随机采样相比，基于熵的MRI切片选择是否能提升模型性能？
• RQ3 与在相同小规模数据集上从零开始训练相比，迁移学习的性能如何？
• RQ4 通过智能选择的较小训练集是否能超越先前深度学习方法所使用的更大数据集？
• RQ5 在数据有限的情况下，模型架构选择（VGG16与Inception V4）对性能的影响有多大？

主要发现

• 使用迁移学习微调的Inception V4模型在仅5,120张图像的训练集上实现了96.25%的准确率。
• 迁移学习显著优于从零开始训练的VGG16模型，后者仅达到74.12%的准确率。
• 尽管训练集规模仅为最大基线方法的约十分之一，该方法的准确率仍高于五种最先进深度学习方法中的四种。
• 基于熵的数据选择策略通过优先选择结构多样且信息丰富的MRI切片，提升了模型性能。
• 该方法在极少超参数调优和较低计算成本下实现了具有竞争力的性能。
• 结果表明，迁移学习结合智能数据选择可显著减少对大规模标注医学数据集的依赖。