MRI-based Multi-task Decoupling Learning for Alzheimer’s Disease Detection and MMSE Score Prediction: A Multi-site Validation

要約

磁気共鳴画像法 (MRI) によるアルツハイマー病 (AD) の正確な検出とミニ精神状態検査 (MMSE) スコアの予測は、高齢者の健康において重要な課題です。
これら 2 つのタスクに関するこれまでの手法のほとんどは、単一タスクの学習に基づいており、それらの間の相関関係はほとんど考慮されていません。
AD 診断の重要な基礎である MMSE スコアは認知障害の進行も反映する可能性があるため、これら 2 つのタスクにマルチタスク学習方法を適用する研究がいくつか開始されています。
ただし、特徴相関をどのように活用するかは、これらの方法にとって依然として難しい問題です。
この課題に包括的に対処するために、AD 検出と MMSE スコア予測のための MRI ベースのマルチタスク分離学習方法を提案します。
まず、AD 検出と MMSE スコア予測を実装するマルチタスク学習ネットワークが提案されます。これは、2 つのタスクのバックボーン間に 3 つのマルチタスク相互作用層を追加することで特徴相関を利用します。
各マルチタスク インタラクション レイヤーには、2 つの機能デカップリング モジュールと 1 つの機能インタラクション モジュールが含まれています。
さらに、特徴分離モジュールによって選択された特徴のタスク間の一般化を強化するために、特徴一貫性損失制約付き特徴分離モジュールを提案します。
最後に、異なるグループにおける MMSE スコアの特定の分布情報を活用するために、モデルのパフォーマンスをさらに向上させる分布損失が提案されています。
提案した手法をマルチサイトデータセットで評価します。
実験結果は、私たちが提案したマルチタスク分離表現学習方法が優れたパフォーマンスを達成し、シングルタスク学習や他の既存の最先端の方法を上回ることを示しています。

要約(オリジナル)

Accurately detecting Alzheimer’s disease (AD) and predicting mini-mental state examination (MMSE) score are important tasks in elderly health by magnetic resonance imaging (MRI). Most of the previous methods on these two tasks are based on single-task learning and rarely consider the correlation between them. Since the MMSE score, which is an important basis for AD diagnosis, can also reflect the progress of cognitive impairment, some studies have begun to apply multi-task learning methods to these two tasks. However, how to exploit feature correlation remains a challenging problem for these methods. To comprehensively address this challenge, we propose a MRI-based multi-task decoupled learning method for AD detection and MMSE score prediction. First, a multi-task learning network is proposed to implement AD detection and MMSE score prediction, which exploits feature correlation by adding three multi-task interaction layers between the backbones of the two tasks. Each multi-task interaction layer contains two feature decoupling modules and one feature interaction module. Furthermore, to enhance the generalization between tasks of the features selected by the feature decoupling module, we propose the feature consistency loss constrained feature decoupling module. Finally, in order to exploit the specific distribution information of MMSE score in different groups, a distribution loss is proposed to further enhance the model performance. We evaluate our proposed method on multi-site datasets. Experimental results show that our proposed multi-task decoupled representation learning method achieves good performance, outperforming single-task learning and other existing state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google