Interpretable Weighted Siamese Network to Predict the Time to Onset of Alzheimer’s Disease from MRI Images

要約

アルツハイマー病 (AD) は、軽度認知障害 (MCI) が続く進行性の病気です。
AD の早期発見は、治療法を決定する上で非常に重要です。
しかし、AD のコンピュータ支援検出に関する文献のほとんどは、脳画像を 3 つの主要なカテゴリ (健康、MCI、AD) のいずれかに分類することに焦点を当てています。
または、MCI 患者を (1) 進行性: 将来の検査時に MCI から AD に進行する患者、および (2) 安定: MCI のままで AD に進行しない患者に分類する。
これにより、進行性 MCI 患者の軌跡を正確に特定する機会が失われます。
この論文では、アルツハイマー病識別のための脳画像分類タスクを再検討し、患者が重度のアルツハイマー病段階にどの程度近づいているかを予測するための順序分類タスクとして再構成します。
この目的を達成するために、アルツハイマー病神経画像イニシアチブ (ADNI) データセットから進行性 MCI 患者を選択し、AD への進行時間を示す予測ターゲットを含む順序データセットを構築します。
MRI 脳画像に基づいて AD の発症までの時間を予測するために、シャム ネットワーク モデルをトレーニングします。
また、重み付けされたさまざまなシャム ネットワークを提案し、そのパフォーマンスをベースライン モデルと比較します。
私たちの評価では、Siamese ネットワークに重み付け係数を組み込むことで、入力脳 MRI 画像が AD にどの程度進行するかを予測する際に大幅なパフォーマンス向上がもたらされることが示されました。
さらに、モデル説明可能性手法を使用して、シャム ネットワークの学習された埋め込み空間を解釈して結果を補完します。

要約(オリジナル)

Alzheimer’s Disease (AD) is a progressive disease preceded by Mild Cognitive Impairment (MCI). Early detection of AD is crucial for making treatment decisions. However, most of the literature on computer-assisted detection of AD focuses on classifying brain images into one of three major categories: healthy, MCI, and AD; or categorizing MCI patients into (1) progressive: those who progress from MCI to AD at a future examination time, and (2) stable: those who stay as MCI and never progress to AD. This misses the opportunity to accurately identify the trajectory of progressive MCI patients. In this paper, we revisit the brain image classification task for AD identification and re-frame it as an ordinal classification task to predict how close a patient is to the severe AD stage. To this end, we select progressive MCI patients from the Alzheimer’s Disease Neuroimaging Initiative (ADNI) dataset and construct an ordinal dataset with a prediction target that indicates the time to progression to AD. We train a Siamese network model to predict the time to onset of AD based on MRI brain images. We also propose a Weighted variety of Siamese network and compare its performance to a baseline model. Our evaluations show that incorporating a weighting factor to Siamese networks brings considerable performance gain at predicting how close input brain MRI images are to progressing to AD. Moreover, we complement our results with an interpretation of the learned embedding space of the Siamese networks using a model explainability technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google