🔴 초록
- 알츠하이머병은 퇴행성 뇌질환으로 기억력과 사고력은 물론 기본적인 일까지도 할 수 있는 능력이 점차 약해짐
- 이 질병의 단계를 파악하려면 분류 전략이 필요함
- 본 논문에서는 Convolutional Neural Network (CNN)을 사용하여 알츠하이머의 뇌 영상과 건강한 뇌 영상을 구별하는 기술을 제안함
- 알츠하이머병 진단을 위한 다중 분류 작업을 수행함
- 의료영상 MRI의 문제점 : 차별적이고 선택적인 특징을 추출하기 어렵기 때문에 임상 데이터를 사용하여 질병의 여러 단계를 분류하는 것은 어려움
- ResNet-152 아키텍처 : 알츠하이머병을 성공적으로 진단, 질병의 2단계를 분류하여 99.30%의 정확도를 보임
🟠 Methodology
- 본 연구에서는 알츠하이머병을 보다 정확하게 진단할 수 있는 시스템 제안
- 시스템에 대한 방법론 [Fig 1]
▶ Dataset : 4가지의 class 데이터 사용
(1) Alzheimer’s Disease (AD)
(2) Cognitive Normal (CN)
(3) Early Mild Cognitive Impairment (EMCI)
(4) Late Mild Cognitive Impairment (LMCI)- 총 20995개의 의료 영상이 전처리 되어 PNG 형식으로 변환된 후 사용함
▶ Data Pre-processing- 데이터 전처리에 대한 방법론 [Fig 2]
- 샘플을 내부 저장소의 4개의 개별 폴더에 저장하고 FSL을 사용하여 NIfTI 파일을 사전 처리함
- 뇌의 두개골에는 구별되는 특징이 없기 때문에 두개골을 제거해야 하므로, 뇌를 추출하고 두개골을 제거하기 위해 FSL 소프트웨어의 Brain Extraction Tool을 사용함
- 의료 이미지에는 CNN 모델에 대한 특징 선택을 식별하는 데 방해가 될 수 있는 노이즈는 이미지에서 노이즈를 제거함
- FSL의 SUSAN Noise Reduction tool을 이용하여 이전에 추출한 뇌영상의 노이즈를 줄여 특정 폴더에 저장함
- FSL의 도구를 사용할 때마다 프로세스가 올바른지 여부를 파악함
- 프로세스를 변경하거나 프로세스를 수정할 필요가 있는 경우 개별 파일의 각 프로세스 후에 다시 수행함
- NIfTI 파일과 같이 시간이 많이 걸리고 리소스도 많이 소모되는 복잡한 이미지로 CNN 모델을 훈련시키는 것은 매우 복잡함
- 파이썬의 nii2png 변환기를 사용하여 이 NIfTI 파일을 PNG 이미지로 변환함
▶ Transfer Learning- 학습 성능을 높이거나 대상 도메인에서 필요한 레이블이 지정된 인스턴스의 수를 줄이기 위해 소스 도메인의 지식을 사용하는 것을 제안 (소스도메인은 레이블이 지정된 샘플이 거의 없는 프로젝트에서 주로 사용함)
▶ ResNet-152- ResNet-152의 아키텍처 [Fig 3]
® [Alzheimer’s Disease Diagnosis from MRI images using ResNet-152 Neural Network Architecture] https://ieeexplore.ieee.org/abstract/document/9733507/metrics#metrics
best of best