Towards better Interpretable and Generalizable AD detection using Collective Artificial Intelligence

要約

アルツハイマー型認知症は、認知症の原因として最も一般的な病気です。この病気の正確な診断と予後予測は、適切な治療計画を設計し、患者の寿命を延ばすために不可欠です。構造的磁気共鳴画像などの神経画像データからアルツハイマー病を特定するために、機械学習の利用について熱心な研究が行われています。近年、コンピュータビジョンにおける深層学習の進歩は、この問題に対する新たな研究の方向性を示唆しています。しかし、この分野における現在の深層学習ベースのアプローチは、モデル決定の解釈可能性、汎化性情報の不足、従来の機械学習技術と比較して低い性能など、多くの欠点を持っている。本論文では、これらの制約を克服するために、2段階のフレームワークを設計する。第一段階では、125個のU-Netのアンサンブルを用いて入力画像を評定し、ボクセルレベルで疾患の重症度を反映する3Dマップを生成する。このマップは、疾患によって引き起こされる脳の異常部位を特定するのに役立つ。第二段階では、生成されたグレーディングマップと被験者に関する他の情報を用いて、個人ごとのグラフをモデル化する。最終的な分類には、グラフ畳み込みニューラルネットワーク分類器を用いることを提案する。その結果、我々のフレームワークは、診断と予後の両方について、異なるデータセットにおいて、最先端手法と比較できる性能を示す。また、大規模なU-Netのアンサンブルを用いることで、我々のフレームワークの汎化能力が向上することも実証する。

要約(オリジナル)

Alzheimer’s Disease is the most common cause of dementia. Accurate diagnosis and prognosis of this disease are essential to design an appropriate treatment plan, increasing the life expectancy of the patient. Intense research has been conducted on the use of machine learning to identify Alzheimer’s Disease from neuroimaging data, such as structural magnetic resonance imaging. In recent years, advances of deep learning in computer vision suggest a new research direction for this problem. Current deep learning-based approaches in this field, however, have a number of drawbacks, including the interpretability of model decisions, a lack of generalizability information and a lower performance compared to traditional machine learning techniques. In this paper, we design a two-stage framework to overcome these limitations. In the first stage, an ensemble of 125 U-Nets is used to grade the input image, producing a 3D map that reflects the disease severity at voxel-level. This map can help to localize abnormal brain areas caused by the disease. In the second stage, we model a graph per individual using the generated grading map and other information about the subject. We propose to use a graph convolutional neural network classifier for the final classification. As a result, our framework demonstrates comparative performance to the state-of-the-art methods in different datasets for both diagnosis and prognosis. We also demonstrate that the use of a large ensemble of U-Nets offers a better generalization capacity for our framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL