Classification of Alzheimer’s Disease Using the Convolutional Neural Network (CNN) with Transfer Learning and Weighted Loss

要約

アルツハイマー型認知症は、進行性の神経変性疾患であり、徐々に認知機能が奪われ、死に至ることもあります。今日、技術の進歩により、磁気共鳴画像法（MRI）検査によってアルツハイマー病を発見することが可能になっています。そのため、MRIはアルツハイマー病の診断や進行状況の解析に最も多く用いられている技術です。この技術を用いれば、アルツハイマー病の早期診断における画像認識を、機械学習を用いて自動的に行うことができます。機械学習には多くの利点がありますが、現在は、より強い学習能力を持ち、画像認識問題の解決に適しているディープラーニングの利用がより広く適用されています。しかし、大規模なデータセットが必要であること、大規模な計算機資源を必要とすること、オーバーフィットやアンダーフィットを防ぐために慎重なパラメータ設定が必要であることなど、深層学習を実現するためにはいくつかの課題が残されています。深層学習を用いたアルツハイマー病の分類という課題に応えるため、本研究では、ResNet-18（Residual Network 18 Layer）アーキテクチャを用いたCNN（Convolutional Neural Network）手法を提案します。大規模でバランスのとれたデータセットの必要性を克服するために、ImageNetからの転移学習を用い、各クラスが同じ重みを持つように損失関数値に重み付けを行う。また、本研究では、ネットワークの活性化関数をミッシュ活性化関数に変更し、精度を上げる実験を行った。実施したテストの結果、伝達学習、重み付き損失、ミッシュ活性化関数を用いたモデルの精度は88.3%であった。この精度の値は、69.1 %の精度しか得られなかったベースラインモデルから増加しました。

要約(オリジナル)

Alzheimer’s disease is a progressive neurodegenerative disorder that gradually deprives the patient of cognitive function and can end in death. With the advancement of technology today, it is possible to detect Alzheimer’s disease through Magnetic Resonance Imaging (MRI) scans. So that MRI is the technique most often used for the diagnosis and analysis of the progress of Alzheimer’s disease. With this technology, image recognition in the early diagnosis of Alzheimer’s disease can be achieved automatically using machine learning. Although machine learning has many advantages, currently the use of deep learning is more widely applied because it has stronger learning capabilities and is more suitable for solving image recognition problems. However, there are still several challenges that must be faced to implement deep learning, such as the need for large datasets, requiring large computing resources, and requiring careful parameter setting to prevent overfitting or underfitting. In responding to the challenge of classifying Alzheimer’s disease using deep learning, this study propose the Convolutional Neural Network (CNN) method with the Residual Network 18 Layer (ResNet-18) architecture. To overcome the need for a large and balanced dataset, transfer learning from ImageNet is used and weighting the loss function values so that each class has the same weight. And also in this study conducted an experiment by changing the network activation function to a mish activation function to increase accuracy. From the results of the tests that have been carried out, the accuracy of the model is 88.3 % using transfer learning, weighted loss and the mish activation function. This accuracy value increases from the baseline model which only gets an accuracy of 69.1 %.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL