Robust Alzheimer’s Progression Modeling using Cross-Domain Self-Supervised Deep Learning

要約

実際に人工知能システムの開発を成功させるには、堅牢な深層学習モデルと大規模で高品質なデータの両方が必要です。
ただし、臨床疾患モデルなどの多くの実世界のアプリケーションでは、データの取得とラベル付けに法外な費用と時間がかかる場合があります。
自己教師あり学習は、小規模なデータ領域におけるモデルの精度と堅牢性を向上させる大きな可能性を実証しています。
さらに、多くの臨床画像および疾患モデリング アプリケーションは連続量の回帰に大きく依存しています。
ただし、これらの医療画像回帰タスクに対する自己教師あり学習の適用可能性については、十分に研究されていません。
この研究では、医療画像を入力として使用し、回帰問題として疾患予後モデリングのためのクロスドメイン自己教師あり学習アプローチを開発します。
私たちは、自己教師付き事前トレーニングにより、脳 MRI からのアルツハイマー病の進行予測を改善できることを実証します。
また、拡張された (ただしラベル付けされていない) 脳 MRI データに対する事前トレーニングが、自然画像に対する事前トレーニングよりも優れていることも示します。
さらに、自然画像と拡張脳 MRI データの両方を事前トレーニングに使用すると、最高のパフォーマンスが達成されることがわかりました。

要約(オリジナル)

Developing successful artificial intelligence systems in practice depends on both robust deep learning models and large, high-quality data. However, acquiring and labeling data can be prohibitively expensive and time-consuming in many real-world applications, such as clinical disease models. Self-supervised learning has demonstrated great potential in increasing model accuracy and robustness in small data regimes. In addition, many clinical imaging and disease modeling applications rely heavily on regression of continuous quantities. However, the applicability of self-supervised learning for these medical-imaging regression tasks has not been extensively studied. In this study, we develop a cross-domain self-supervised learning approach for disease prognostic modeling as a regression problem using medical images as input. We demonstrate that self-supervised pretraining can improve the prediction of Alzheimer’s Disease progression from brain MRI. We also show that pretraining on extended (but not labeled) brain MRI data outperforms pretraining on natural images. We further observe that the highest performance is achieved when both natural images and extended brain-MRI data are used for pretraining.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google