[论文解读] VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI

Xiaofeng Liu, Fangxu Xing+6 more|arXiv (Cornell University)|Jan 13, 2021

Amyotrophic Lateral Sclerosis Research参考文献 24被引用 9

一句话总结

本文提出 VoxelHop，一种轻量化、可解释的连续子空间学习框架，仅使用 20 名对照者和 26 名患者，即可对 ALS 进行分类。通过在单次前向传播架构中结合无监督与有监督的降维方法，VoxelHop 在参数量减少 10 倍、训练时间显著缩短的情况下，实现了 93.48% 的准确率和 0.9394 的 AUC，优于当前最先进的 3D CNN 模型。

ABSTRACT

Deep learning has great potential for accurate detection and classification of diseases with medical imaging data, but the performance is often limited by the number of training datasets and memory requirements. In addition, many deep learning models are considered a "black-box," thereby often limiting their adoption in clinical applications. To address this, we present a successive subspace learning model, termed VoxelHop, for accurate classification of Amyotrophic Lateral Sclerosis (ALS) using T2-weighted structural MRI data. Compared with popular convolutional neural network (CNN) architectures, VoxelHop has modular and transparent structures with fewer parameters without any backpropagation, so it is well-suited to small dataset size and 3D imaging data. Our VoxelHop has four key components, including (1) sequential expansion of near-to-far neighborhood for multi-channel 3D data; (2) subspace approximation for unsupervised dimension reduction; (3) label-assisted regression for supervised dimension reduction; and (4) concatenation of features and classification between controls and patients. Our experimental results demonstrate that our framework using a total of 20 controls and 26 patients achieves an accuracy of 93.48$\%$ and an AUC score of 0.9394 in differentiating patients from controls, even with a relatively small number of datasets, showing its robustness and effectiveness. Our thorough evaluations also show its validity and superiority to the state-of-the-art 3D CNN classification methods. Our framework can easily be generalized to other classification tasks using different imaging modalities.

研究动机与目标

• 开发一种轻量化、可解释的临床决策系统，用于在有限的 3D MRI 数据下进行 ALS 分类。
• 克服深度学习在 3D 医疗影像中，特别是 ALS 等罕见神经退行性疾病中，数据稀缺与高计算成本的问题。
• 通过使用无监督与有监督的降维技术，减少对反向传播和大规模标注数据集的依赖。
• 构建一种透明、模块化的模型，在小样本量（20 名对照者，26 名患者）下仍能保持高性能。
• 通过最小化模型复杂度与训练时间，同时最大化可解释性，促进临床应用。

提出的方法

• 该框架通过在多通道 3D MRI 数据中逐层扩展近邻到远邻的邻域，构建级联的局部到全局感受野，模仿 CNN 的结构，但无需反向传播。
• 采用 Saab 变换进行子空间近似，实现无监督降维，保留 95% 至 99% 的能量。
• 在 LAG（标签辅助分组）单元中使用标签辅助回归，实现有监督降维，聚焦于具有判别性的特征。
• 将多阶段提取的特征进行拼接，并输入线性最小二乘（LSR）分类器，完成对照者与 ALS 患者之间的最终分类。
• 整个模型以单次前向传播方式训练，避免迭代反向传播，极大降低了训练复杂度。
• 在每个阶段应用基于交叉熵的特征选择，以在性能与效率之间取得平衡，选择具有信息量的特征。

实验结果

研究问题

• RQ1 仅使用 20 名对照者和 26 名患者，连续子空间学习框架能否在 ALS 分类中实现高准确率？
• RQ2 在小样本 MRI 数据集上，VoxelHop 在准确率、AUC 和参数效率方面与当前最先进的 3D CNN 模型相比表现如何？
• RQ3 无监督与有监督降维在多大程度上可降低模型复杂度，同时不牺牲分类性能？
• RQ4 无反向传播、单次前向传播的架构是否能在训练时间与资源使用上优于标准 3D CNN，同时保持高准确率？
• RQ5 VoxelHop 的模块化、透明化结构在可解释性与临床可行性方面，相较于黑箱深度学习模型有何优势？

主要发现

• VoxelHop 仅使用 20 名对照者和 26 名患者，即可在区分 ALS 患者与健康对照者时达到 93.48% 的分类准确率和 0.9394 的 AUC。
• 该模型所需参数量约为当前最先进的 3D CNN 的十分之一，显著降低了模型复杂度。
• 在 CPU 上训练时间缩短至 20 分钟，优于需要 GPU 三小时训练时间的 3D CNN。
• 即使在数据有限的情况下，该框架在准确率与效率方面均表现出优于 3D CNN 的鲁棒性与优越性。
• 无反向传播的单次前向传播训练方式实现了更快、更节省内存的学习过程，尤其适用于小样本 3D 医疗影像数据集。
• 无监督子空间近似与标签辅助回归的结合，实现了在极少标注数据下的有效特征学习。