2D and 3D Deep Learning Models for MRI-based Parkinson’s Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks

要約

パーキンソン病 (PD) の早期かつ正確な診断は依然として困難です。
この研究では、MRI ベースの PD 分類のためのディープ ラーニング アーキテクチャを比較し、畳み込み層と適応的なスプライン ベースのアクティベーションを組み合わせた新しいアプローチである畳み込みコルモゴロフ アーノルド ネットワーク (ConvKAN) の最初の 3 次元 (3D) 実装を紹介します。
私たちは、3 つのオープンソース データセットを使用して、畳み込みニューラル ネットワーク (CNN)、ConvKAN、およびグラフ畳み込みネットワーク (GCN) を評価しました。
参加者は合計 142 名（PD 75 名、年齢が一致した健康対照 67 名）。
2D 解析では、各 T1 強調スキャンから中脳を中心とした 100 枚の軸方向スライスを抽出しました。
3D 解析では、体積スキャン全体を使用しました。
ConvKAN は、学習可能な B スプライン関数を畳み込み層と統合します。
GCN は MRI データをグラフとして表現し、従来のアプローチでは見落とされる可能性のある構造的関係を理論的に捉えます。
最初の ConvKAN スプライン アクティベーション マップやグラフ ノードの埋め込みの投影など、解釈可能性の視覚化が示されました。
ConvKAN は、データセットと次元全体で高いパフォーマンスを実証し、1 つのデータセットで最高の 2D AUROC (0.98) を達成し、CNN のピーク 3D パフォーマンス (1.00) に匹敵しました。
CNN モデルは良好なパフォーマンスを示し、GCN モデルは 3D 解析で改善され、最大 0.97 AUROC に達しました。
3D 実装では、すべてのモデルにおいて 2D 実装と比較して、より高い AUROC 値が得られました。
ConvKAN の実装は、特に早期診断の状況において、PD 分類における MRI 解析に有望であることを示しています。
3D 解析の改善により、PD 関連の微妙な変化を捉える際の体積データの価値が強調されます。
MRI は現在 PD の診断には使用されていませんが、これらの発見は、特に早期発見のための複合診断アプローチのコンポーネントとして MRI の可能性を示唆しています。

要約(オリジナル)

Early and accurate diagnosis of Parkinson’s Disease (PD) remains challenging. This study compares deep learning architectures for MRI-based PD classification, introducing the first three-dimensional (3D) implementation of Convolutional Kolmogorov-Arnold Networks (ConvKANs), a new approach that combines convolution layers with adaptive, spline-based activations. We evaluated Convolutional Neural Networks (CNNs), ConvKANs, and Graph Convolutional Networks (GCNs) using three open-source datasets; a total of 142 participants (75 with PD and 67 age-matched healthy controls). For 2D analysis, we extracted 100 axial slices centred on the midbrain from each T1-weighted scan. For 3D analysis, we used the entire volumetric scans. ConvKANs integrate learnable B-spline functions with convolutional layers. GCNs represent MRI data as graphs, theoretically capturing structural relationships that may be overlooked by traditional approaches. Interpretability visualizations, including the first ConvKAN spline activation maps, and projections of graph node embeddings, were depicted. ConvKANs demonstrated high performance across datasets and dimensionalities, achieving the highest 2D AUROC (0.98) in one dataset and matching CNN peak 3D performance (1.00). CNN models performed well, while GCN models improved in 3D analyses, reaching up to 0.97 AUROC. 3D implementations yielded higher AUROC values compared to 2D counterparts across all models. ConvKAN implementation shows promise for MRI analysis in PD classification, particularly in the context of early diagnosis. The improvement in 3D analyses highlights the value of volumetric data in capturing subtle PD-related changes. While MRI is not currently used for PD diagnosis, these findings suggest its potential as a component of a multimodal diagnostic approach, especially for early detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google