3D MRI の分類のためのシャム輸送ドメイン適応フレームワーク: グリオーマおよびアルツハイマー病

2024-06-13 Thu
Siamese-Transport領域適応フレームワークに基づく3D MRIによる膠芽腫およびアルツハイマー病の分類研究背景コンピュータ支援診断において、3D磁気共鳴画像法（MRI）によるスクリーニングは早期診断に重要な役割を果たし、さまざまな脳疾患の悪化を防止するのに有効です。膠芽腫は一般的な悪性脳腫瘍で、その治療法は腫瘍のグレードによって異なります。そのため、正確で効率的な3D MRI分類は医用画像分析において極めて重要です。しかし、従来の深層学習モデルは臨床における未ラベルデータに適用された場合、異なる装置やデータ収集パラメータの違いによる領域間不一致性のため、性能が著しく低下します。既存の方法は主に領域間の差異を減少させることに焦点を当てていますが、セマンティック特徴と領域情報の絡み合いを無視しています。
論文の出典本論文は山東大学のLuyue Yu、Ju Liu、Qiang Wu、Jing Wang、Aixi Quらによって執筆され、2024年1月の《IEEE Journal of Biomedical and Health Informatics》に掲載されました。本論文は山東省自然科学基金と山東省重要イノベーションプロジェクトの助成を受けています。
研究方法全体的なワークフロー著者はSiamese-Transport領域適応フレームワーク（STDA）を提案し、最適輸送理論と対比学習を組み合わせ、自動3D MRI分類と膠芽腫の多段階予測を行いました。研究は以下の主要ステップを含みます：
Siamese-Transportネットワーク： Siamese構造に基づく輸送ネットワークを設計し、クロス更新パラメータを用いて不変特徴を抽出します。
最適コスト輸送戦略（OCTS）： 距離確率分布に基づいた戦略を提案し、投影空間でセマンティック特徴と領域情報を分離します。
相互不変制約（MIC）： 共有投影空間で相互勾配自己訓練を使用し、領域間タスクでの特徴クラスタリングをさらに制約します。
詳細ステップとディテールネットワークアーキテクチャ設計： STDAフレームワークは同一構造のSiameseネットワークを使用し、訓練パラメータを共有します。分類タスクに応じて、バックボーンネットワークは任意の深層畳み込み神経ネットワーク（ResNetやVGGなど）を使用できます。フォワードプロパゲーションでは、両ネットワークが訓練パラメータを共有し、バックプロパゲーションでは、クロスエントロピーと対比損失関数に基づいて勾配逆伝播アルゴリズムでパラメータを更新します。
特徴分布の更新： OCTSを使用して最適輸送理論に基づき、ある分布から別の分布へのコストを計算し、協調して特徴マッピングを修正し、特徴分布を更新することで潜在的分類特徴の不変性を見つけます。実際のプロセスでは、特徴マッピングと分布更新の最適化は、特徴抽出ネットワークの訓練と損失関数の最小化を通じて行います。
相互不変制約： 自己監督学習を用いて、相互勾配自己訓練により、ソースドメインとターゲットドメインの投影空間での特徴不変性を制約します。Stop-gradientオペレーションを使用して、異なる領域間での無効な特徴の伝送を避け、訓練プロセスでの特徴表現を安定させます。
データと実験設計データ出典：
BRATS18データセット： 高悪性度膠芽腫（HGG）と低悪性度膠芽腫（LGG）の多モードMRIスキャンを含みます。
TCGA-Brainデータセット： 癌ゲノム地図プロジェクトからのもので、HGGとLGGの画像サンプルが含まれます。
ADNIデータセット： アルツハイマー病（AD）と正常認知（NC）の構造MR画像を含みます。
OASISデータセット： 小サンプルのADとNCデータを含みます。
**実験設定：
VGG-16をバックボーンネットワークとして使用します。
訓練プロセスでは、確率的勾配降下法（SGD）を選択して最適化を行います。
すべての実験において、公平性を確保するために、すべてのUDA方法の訓練戦略とモジュール計算は同一です。
実験比較：
異なる古典的なUDA方法（Deep Coral、JANなど）および他の最先端の方法と比較する実験を行います。
Siamese-Transportネットワーク、OCTS、MIC各モジュールの有効性を検証するアブレーション実験を行います。
研究結果膠芽腫二分類実験実験結果により、膠芽腫二分類タスクにおいてSTDA方法が最も良い性能を発揮することが示されました。特に、異なる膠芽腫分類タスクにおいて、STDAは分類精度およびAUC値の面で他のUDA方法（表二および表三）より優れています。
さらに、ソースドメインとターゲットドメインの分布の差が顕著でない場合でも、UDA方法は分類精度を向上させることがわかりました。具体的には、最適輸送法OTDA（Siamese-Transportモジュールを含まない）を使用した場合、転移学習を伴わないモデルの精度を12.7％向上させました。
膠芽腫グレーディング実験細粒度の膠芽腫多段階分類実験においても、STDA方法は最も良い分類効果を示しました。他のUDA方法と比べて、精度が20.7ポイント向上し、STDAの複雑なタスクにおける強力な領域適応能力が示されました。
アルツハイマー病分類実験アルツハイマー病分類実験の結果（表四）により、STDAが異なる公的医療画像分類データセットで高い汎化能力を示したことがわかりました。データセット内のクラス不均衡のため、AUC値はDAN方法よりわずかに弱かったものの、分類精度は依然として最も高かったです。
アブレーション実験分析Siamese-Transportネットワーク： アブレーション実験により、Siamese-Transportネットワークアーキテクチャの特徴抽出における有効性が検証されました。STDAは訓練プロセスにおいて、より安定した特徴表現能力を持ちます。
最適コスト輸送戦略： OCTS方法は、領域間の分布補正において顕著な効果を示し、特に高次元特徴空間で領域間の分布差異を明らかに減少させました。
相互不変制約： MICモジュールは、双ネットワーク構造の訓練プロセスにおいて不変の特徴抽出能力をさらに安定させ、分類精度を向上させました。
結論と意義本論文が提唱するSTDAフレームワークは、特徴分布の不一致性を改善し、不変特徴を学習することにより、小サンプルの3D MRI分類問題を効果的に解決し、膠芽腫分類とアルツハイマー病分類タスクで優れた性能を示しました。STDAフレームワークは応用範囲が広く、多タスク学習（例えば、脳腫瘍の分子バイオマーカーおよび生存期間予測）にも適用でき、不均衡な小サンプル学習のニーズに応えます。今後の研究では、自己監督学習や生成対抗ネットワーク（GAN）など、より最適なデータ増強技術を探求し、この方法の安定性と精度をさらに向上させることが期待されます。
本研究を通じて、3D MRIの医用画像分析における応用を拡張しただけでなく、臨床診断や治療に新たな技術的サポートを提供する方法を示しました。