Dual Graph Attention based Disentanglement Multiple Instance Learning for Brain Age Estimation

要約

ディープラーニング技術は、健常者の磁気共鳴画像（MRI）データを解析することで、脳年齢を正確に推定できる大きな可能性を示している。しかし、現在の脳年齢推定手法は、入力画像全体を直接利用することが多く、2つの重要な考慮事項を見落としている：1）脳の老化は不均一であり、異なる脳領域が異なる速度で変性する可能性があること、2）脳の構造には年齢に依存しない冗長性が存在すること、である。これらの限界を克服するために、我々は脳年齢推定を改善するためのDGA-DMIL（Dual Graph Attention based Disentanglement Multi-instance Learning）フレームワークを提案する。具体的には、インスタンスのバッグとして扱われる3次元MRIデータを、2次元畳み込みニューラルネットワークのバックボーンに入力し、MRIにおけるユニークな加齢パターンを捉える。次に、インスタンス内とインスタンス間の関係を利用してバックボーンの特徴を学習するために、二重グラフ注意集約器が提案される。さらに、年齢予測における冗長な情報の干渉を改善するために、年齢に依存しない構造表現から年齢に関連する特徴を分離するための分離分岐を導入する。提案したフレームワークの有効性を検証するため、合計35,388人の健常人を含むUK BiobankとADNIの2つのデータセットで評価した。提案モデルは脳年齢推定において卓越した精度を示し、UKバイオバンクでは平均絶対誤差2.12歳という驚くべき結果を達成した。この結果は、他の競合する脳年齢推定モデルと比較して、我々のアプローチが最先端であることを立証している。さらに、インスタンス寄与度スコアは、加齢予測における脳領域の様々な重要性を特定し、脳の加齢の理解に深い洞察を与える。

要約(オリジナル)

Deep learning techniques have demonstrated great potential for accurately estimating brain age by analyzing Magnetic Resonance Imaging (MRI) data from healthy individuals. However, current methods for brain age estimation often directly utilize whole input images, overlooking two important considerations: 1) the heterogeneous nature of brain aging, where different brain regions may degenerate at different rates, and 2) the existence of age-independent redundancies in brain structure. To overcome these limitations, we propose a Dual Graph Attention based Disentanglement Multi-instance Learning (DGA-DMIL) framework for improving brain age estimation. Specifically, the 3D MRI data, treated as a bag of instances, is fed into a 2D convolutional neural network backbone, to capture the unique aging patterns in MRI. A dual graph attention aggregator is then proposed to learn the backbone features by exploiting the intra- and inter-instance relationships. Furthermore, a disentanglement branch is introduced to separate age-related features from age-independent structural representations to ameliorate the interference of redundant information on age prediction. To verify the effectiveness of the proposed framework, we evaluate it on two datasets, UK Biobank and ADNI, containing a total of 35,388 healthy individuals. Our proposed model demonstrates exceptional accuracy in estimating brain age, achieving a remarkable mean absolute error of 2.12 years in the UK Biobank. The results establish our approach as state-of-the-art compared to other competing brain age estimation models. In addition, the instance contribution scores identify the varied importance of brain areas for aging prediction, which provides deeper insights into the understanding of brain aging.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL