Attention-Guided Autoencoder for Automated Progression Prediction of Subjective Cognitive Decline with Structural MRI

要約

主観的認知機能低下 (SCD) は、軽度認知障害 (MCI) の前に発生するアルツハイマー病 (AD) の前臨床段階です。
進行性 SCD は MCI に変換され、さらに AD に進化する可能性があります。
したがって、ニューロ イメージング技術 (構造 MRI など) による進行性 SCD の早期発見は、AD の早期介入にとって大きな臨床的価値があります。
ただし、既存の MRI ベースの機械/深層学習手法は通常、サンプル サイズが小さいという問題に悩まされており、関連する神経画像解析に大きな課題をもたらします。
このホワイトペーパーで取り組むことを目指している中心的な問題は、関連するドメイン (AD/NC など) を活用して SCD の進行予測を支援する方法です。
一方で、進行性 SCD の同定により密接に関連している脳領域はどれかについて懸念しています。
この目的のために、ADからSCDへの知識の移転を容易にする効率的なクロスドメイン適応のための注意誘導オートエンコーダーモデルを提案します。
提案されたモデルは、次の 4 つの主要コンポーネントで構成されています。1) 異なるドメインの共有部分空間表現を学習するための特徴エンコード モジュール、2) 脳アトラスで定義された識別可能な関心のある脳領域を自動的に見つけるための注意モジュール、3) 再構築のためのデコード モジュール
元の入力、4) 脳疾患の識別のための分類モジュール。
これら 4 つのモジュールの共同トレーニングを通じて、ドメイン不変の機能を学習できます。
一方、脳疾患に関連する領域は、注意メカニズムによって強調表示できます。
公開されている ADNI データセットと非公開の CLAS データセットに対する広範な実験により、提案された方法の有効性が実証されました。
提案されたモデルは、CPU でわずか 5 ～ 10 秒で簡単にトレーニングおよびテストでき、データセットが小さい医療タスクに適しています。

要約(オリジナル)

Subjective cognitive decline (SCD) is a preclinical stage of Alzheimer’s disease (AD) which occurs even before mild cognitive impairment (MCI). Progressive SCD will convert to MCI with the potential of further evolving to AD. Therefore, early identification of progressive SCD with neuroimaging techniques (e.g., structural MRI) is of great clinical value for early intervention of AD. However, existing MRI-based machine/deep learning methods usually suffer the small-sample-size problem which poses a great challenge to related neuroimaging analysis. The central question we aim to tackle in this paper is how to leverage related domains (e.g., AD/NC) to assist the progression prediction of SCD. Meanwhile, we are concerned about which brain areas are more closely linked to the identification of progressive SCD. To this end, we propose an attention-guided autoencoder model for efficient cross-domain adaptation which facilitates the knowledge transfer from AD to SCD. The proposed model is composed of four key components: 1) a feature encoding module for learning shared subspace representations of different domains, 2) an attention module for automatically locating discriminative brain regions of interest defined in brain atlases, 3) a decoding module for reconstructing the original input, 4) a classification module for identification of brain diseases. Through joint training of these four modules, domain invariant features can be learned. Meanwhile, the brain disease related regions can be highlighted by the attention mechanism. Extensive experiments on the publicly available ADNI dataset and a private CLAS dataset have demonstrated the effectiveness of the proposed method. The proposed model is straightforward to train and test with only 5-10 seconds on CPUs and is suitable for medical tasks with small datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google