earticle

영어

The classification of Alzheimer patients vs. normals based on brain structural MRI data is helpful for early diagnosis of Alzheimer’s disease. Recently, numerous research studies investigated deep learning to improve diagnostic accuracy. Several research groups proposed methods for selecting slices from the 3D MRI data and utilized the selected slices as input to model training and validation. This paper addresses the effect of slice selection methods on deep learning classifiers’ performances in predicting Alzheimer’s disease. From the coronal slice orientation, we compared three slice selection methods: Entropy-based method without chunk selection and with chunk selection, and L2-norm-based method with chuck selection. Model development and validation were performed with a five-fold cross validation. We considered four deep convolutional neural network (CNN) models pretrained with ImageNet database as well as one deep CNN model without pretraining. Our results indicate that the entropy-based slice selection method is simpler than the L2-norm-based method in its implementation, and it produces performance similar to the L2-norm-based method.

한국어

뇌 구조 자기공명영상 데이터로부터 알츠하이머 환자인지 아닌지 분류하는 작업은 알츠하이머 질환의 조기 발견을 위해 도움이 되는 진단 기법이고, 최근 들어 딥러닝을 이용하여 진단의 정확도를 높이는 연구가 많이 진행되고 있 다. 3차원 영상으로부터 일부 슬라이스를 추출한 후 예측 모델 학습 및 검증을 진행하는 연구가 보고되고 있다. 본 논문에서는 슬라이스 선택 방식에 따른 차이가 뇌영상 알츠하이머 질환 딥러닝 분류의 성능에 어떤 영향을 주는지 비교 분석한다. Coronal 방향의 영상에서 세가지 방식을 비교한다. 엔트로피 순으로 선택하되 슬라이스 덩어리 별 로 선택하지 않는 방식과 덩어리 별로 선택하는 방식, 그리고 그룹간 L2-norm 값이 큰 순으로 선택하되 덩어리 단 위로 선택하는 방식을 비교한다. 5-fold 교차검증을 이용하여 모델 학습 및 검증을 수행한다. 딥러닝 모델로는 이미 지넷 데이터로 사전 학습한 가중치를 갖는 4가지 딥러닝 모델과 사전 학습하지 않은 딥러닝 모델을 이용하여 학습한 다. 검증 결과 엔트로피 기반 방식이 L2-norm 차이 기반의 방식에 비해 구현이 간단하면서도, 비슷한 예측 성능을 보여주고 있다.