Deep Joint Learning of Pathological Region Localization and Brain Disease Identification
- 주제(키워드) Alzheimer's disease , deep learning , disease identification , region localization , structural magnetic resonance imaging (sMRI)
- 발행기관 고려대학교 대학원
- 지도교수 석흥일
- 발행년도 2021
- 학위수여년월 2021. 2
- 학위구분 석사
- 학과 대학원 뇌공학과
- 원문페이지 62 p
- UCI I804:11009-000000235398
- DOI 10.23186/korea.000000235398.11009.0001163
- 본문언어 영어
- 제출원본 000046072214
초록/요약
MRI 기반 심층 학습은 알츠하이머병(AD) 분석을 위해 널리 사용되고 있는 방법이며, 뇌의 미세한 형태학적 변화를 포착할 수 있는 특성은 알츠하이머병 진단 뿐만 아니라 경도인지장애(MCI) 변환 예측에도 집중하게 하였다. 즉, 뇌 전역에서 발생하는 미세한 변화를 포착하고, 이를 기반으로 AD 바이오마커를 탐지하려는 노력이 활발히 이루어지고 있다. 대표적으로, 주의 메커니즘 또는 비정상 영역 탐지를 활용한 심층 학습 모델이 있는데, 두 방법 모두 미세한 변화를 포착하기 위해 차별적 영역을 탐지하는 것을 목표로 한다. 전자는 피험자별 차별적인 변화를 포착하고 개별화된 분석을 제공한다. 반면에, 후자는 사전에 질병과 관련된 영역을 정의하고 이를 기반으로 모델을 학습함에 따라, 학습의 안정성을 가져올 수 있다. 우리는 피험자별로 차별적인 영역 탐지와 질병과 관련된 영역의 지역화가 상호보완적일 것이라고 가정하고, 다중 인스턴스 학습 기반으로 특징 추출, 분류 그리고 중요한 영역의 탐지를 동시에 수행하는 모델을 제안한다. 또한, 진단에 유의미한 영역의 탐지는 패치의 크기에 따라 변할 수 있음을 고려하여, 제안하는 모델을 4가지 크기의 패치를 통해 분석하였다. 본 논문에서, ADNI 코호트의 MRI 데이터를 사용하여 제안하는 방법을 검증하였으며, 최근 연구들과 비교하여 제안 방법의 우수한 분류 성능과 해석 가능성을 보여주었다.
more초록/요약
Structural MR image (sMRI) and deep learning has been widely used for the analysis of Alzheimer's disease (AD). In addition, Its ability to capture complex morphological changes in the brain led to focus not only on the diagnosis of AD, but also on the prediction of mild cognitive impairment (MCI) conversion. In other words, efforts to detect fine-grained changes occurring throughout the brain and to detect AD biomarkers based on this have being actively made. Representatively, there were a deep learning model that utilized attention mechanism and abnormal region detection, both of which aimed to detect discriminative regions and detect subtle changes. The former captures discriminatory changes by subject and provides individualized analysis. On the other hand, the latter can bring stability of learning by defining a disease-related region in advance. We assumed that the subject-specific and intersubject-consistent discriminative region localization will complement each other, and we proposed a model that jointly performs feature extraction, classification, and detection of the important area in multiple instance learning manner. In addition, considering that detection of an area for diagnosis may vary according to the size of the patch, the proposed model was analyzed through four sizes of patch. In this paper, the proposed method was verified using MRI data from the ADNI cohort, and compared with recent studies, the proposed method showed superior classification performance and interpretability.
more목차
1. Introduction 1
2. Dataset and Preprocessing 7
2.1 Dataset 7
2.2 Preprocessing 7
3. Method 9
3.1 Multiple instance learning 10
3.2 Patch-level Feature Extractor & Classifier 11
3.3 Key instance detection using Gate network 13
3.3.1 Gate Pooling using Structural information 13
3.3.2 Translation dependency through Cartesian coordinate system 14
3.3.3 Gate network using Structural and Positional information 16
4. Experiments 20
4.1 Experimental Setting 20
4.2 Comparative Deep Learning Models 21
4.3 Comparison of Classification Performance 22
5. Discussion 26
5.1 Multiple Instance Learning in Brain Disease Identification 26
5.2 Effects of Cartesian coordinate system on gate module 27
5.3 Weakly supervised object localization in sMRI 28
6. Conclusion 48
