Alzheimer's disease (AD) is a progressive neurodegenerative disease that causes cognitive impairment among elder people. It is the most common cause of dementia. Early and timely diagnosis of AD can help with the overall treatment process of the patients. Classifying AD patients from mild cognitive impairment (MCI) and cognitive normal (CN) patients is very important for AD diagnosis. Recently use of machine learning techniques and deep learning-based algorithms have become a popular choice for the AD classification task. However, most of the existing approaches depend upon large data sets or suffer from data leakage. In this work, we present a novel framework for AD classification in a small data regime. Our approach is based on three main steps: 1) PGGAN based medical image generation to deal with data scarcity; 2) Model pretraining using SimCLR framework; 3) Train the pretrained model for the final classification task. We used ResNet-18 in combination with CBAM (Convolutional Block Attention Module). The CBAM module enhances the useful features in the images, which helps in better training of the model. We performed a clinical evaluation of our model on novel test data set. We achieved an accuracy of 83% for the AD vs. CN classification task using only a few slices for the training process. We also compared our model with the previous approaches and found our results to be comparable even with such small data. Results indicate the effectiveness of our proposed framework and can help in the early diagnosis of AD patients.
알츠하이머병은 노인들의 인지장애를 일으키는 진행성 신경퇴행성 질환이다. 그것은 치매의 가장 흔한 원인이다. AD의 조기적이고 시기 적절한 진단은 환자의 전반적인 치료 과정에 도움이 될 수 있다. 경도인지장애(MCI)와 인지정상(CN) 환자로부터 AD 환자를 분류하는 것은 AD 진단에 매우 중요하다. 최근 기계 학습 기법과 딥 러닝 기반 알고리즘의 사용이 AD 분류 작업에서 사용되고 있으나, 기존 접근법의 대부분은 대규모 데이터 베이스에 의존하거나 데이터 누출로 어려움을 겪는다. 본 연구에서는 소규모 데이터 시스템에서 AD 분류를 위한 새로운 프레임워크를 제시한다. 연구 접근 방식은 다음과 같은 세 가지 단계를 기반으로 한다. 첫째, 데이터 부족을 다루기 위한 PGGAN 기반 의료 이미지 생성. 둘째, SimCLR 프레임워크를 사용한 사전 교육. 셋째, 최종 분류 작업에 대한 사전 훈련된 모델이다. 본 연구는 ResNet-18을 컨볼루션 블록 주의 모듈(CBAM)과 함께 사용했다. CBAM 모듈은 이미지의 유용한 기능을 향상시켜 모델을 보다 효율적으로 교육하는 데 도움이 된다. 또한, 본 연구는 새로운 테스트 데이터 세트에 대해 모델의 임상 평가를 수행했다. 교육 프로세스의 적은 부분만 사용하여 AD 대 CN 분류 작업에 대해 83\%의 정확도를 달성했다. 마지막으로, 본 연구는 모델을 이전의 접근법과 비교했고 결과적으로 소규모 데이터를 통한 결과와 기존 접근법의 결과가 비슷하다는 것을 발견했다. 본 연구 결과는 제안된 프레임워크의 효과를 나타내며 AD 환자의 초기 진단에 도움이 될 수 있을거라 기대된다.
