Annual Conference of KIPS (한국정보처리학회:학술대회논문집)

  • 2024.10a
  • /
  • Pages.719-722
  • /
  • 2024
  • /
  • 2005-0011(pISSN)
  • /
  • 2671-7298(eISSN)
Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

Gray Matter and White Matter-Based Brain Age Prediction Model Using Multi-MRI Datasets

다중 MRI 데이터셋을 활용한 회백질 및 백질 기반 뇌 연령 예측 모델

  • Seung-Jun Lee (Department of Artificial Intelligence Convergence, Chonnam National University) ;
  • Myungeun Lee (Hyper-wide Federated Medical AI Research Center, Chonnam National University) ;
  • Hyung-Jeong Yang (Department of Artificial Intelligence Convergence, Chonnam National University)
  • 이승준 (전남대학교 인공지능융합학과) ;
  • 이명은 (전남대학교 초광역 연합 의료 AI 연구센터) ;
  • 양형정 (전남대학교 인공지능융합학과)
  • Published : 2024.10.31
Download PDF
⟨ Previous Next ⟩

Abstract

뇌 연령은 신경퇴행성 질환과 인지 저하를 예측하는 중요한 바이오마커로 주목받고 있으며, 이를 통해 개인의 뇌 건강 상태를 보다 정밀하게 확인할 수 있다. 특히, 회백질과 백질은 뇌 구조와 기능을 평가하는 데 핵심적인 역할을 하며, 뇌 구조적 변화를 분석함으로써 뇌 연령 예측의 정확도를 높일 수 있다. 또한, 특정 데이터셋만 활용될 경우 일반화된 성능을 기대하기 어려워 뇌 연령 예측에 다양한 데이터셋을 활용한 연구가 필요하다. 따라서, 본 연구에서는 다중 모달 MRI 데이터를 결합한 3D CNN 기반 뇌 연령 예측 모델을 제안한다. 제안된 모델은 회백질과 백질의 특징을 전처리된 T1 이미지에 결합하여 더욱 풍부한 뇌 구조 정보를 학습할 수 있도록 설계하여, 뇌 연령 예측의 정확성을 향상시켰다. 실험 결과 회백질과 백질 정보를 추가로 활용한 모델이 T1 이미지만을 사용한 기존 CNN 및 ResNet 모델보다 MAE(Mean Absolute Error) 평가지표에서 더 우수한 성능을 보였으며, 이를 통해 회백질과 백질 정보가 뇌 연령 예측에 중요한 기여를 한다는 사실을 확인하였다.

Keywords

Acknowledgement

이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(RS-2023-00208397). 본 연구는 과학기술정보통신부 및 정보통신기획평가원의 인공지능융합혁신인재양성사업연구 결과로 수행되었음(IITP-2023-RS-2023-00256629) 본 연구는 과학기술정보통신부및 정보통신기획평가원의 대학ICT연구센터사업의 연구결과로 수행되었음(IITP-2024-RS-2024-00437718)

References

  1. J. H. Cole, K. Franke, "Predicting age using neuroimaging: innovative brain ageing biomarkers," Trends in Neurosciences, vol. 40, no. 12, pp. 681-690, 2017.
  2. J. H. Cole, R. P. Poudel, D. Tsagkrasoulis, M. W. Caan, C. Steves, T. D. Spector, G. Montana, "Predicting brain age with deep learning from raw imaging data results in a reliable and heritable biomarker,"NeuroImage, vol. 163, pp. 115-124, 2017.
  3. J. Sun, Z. Tu, D. Meng, Y. Gong, M. Zhang, J. Xu, "Interpretation for individual brain age prediction based on gray matter volume," Brain Sciences, vol. 12, no. 11, p. 1517, 2022.
  4. Joo, Yoonji, et al. "Brain age prediction using combined deep convolutional neural network and multi-layer perceptron algorithms." Scientific Reports13.1, 2023.
  5. Sun, Jiancheng, et al. "Interpretation for individual brain age prediction based on gray matter volume." Brain Sciences 12.11, 2022.
  6. He, X., Wang, A. Q., Sabuncu, M. R., "Neural pre-processing: A learning framework for end-to-end brain MRI pre-processing," in International Conference on Medical Image Computing and Computer-Assisted Intervention, Cham, Switzerland, 2023, pp. 258-267.
  7. Sun, X., Shi, L., Luo, Y., Yang, W., Li, H., Liang, P., Wang, D., "Histogram-based normalization technique on human brain magnetic resonance images from different acquisitions," Biomedical Engineering Online, vol. 14, pp. 1-17, 2015.
  8. Kumari, LK Soumya, and R. Sundarrajan. "A review on brain age prediction models." Brain Research, 2023
  9. A. Di Martino, C. G. Yan, Q. Li, E. Denio, F. X. Castellanos, K. Alaerts, M. P. Milham, "The autism brain imaging data exchange: towards a large-scale evaluation of the intrinsic brain architecture in autism," Molecular Psychiatry, vol. 19, no. 6, pp. 659-667, 2014.
  10. A. J. Holmes, M. O. Hollinshead, T. M. O'Keefe, V. I. Petrov, G. R. Fariello, L. L. Wald, B. Fischl, B. R. Rosen, R. W. Mair, J. L. Roffman et al., "Brain genomics superstruct project initial data release with structural, functional, and behavioral measures," Scientific Data, vol. 2, p. 150031, 2015.
  11. X. N. Zuo, J. S. Anderson, P. Bellec, R. M. Birn, B. B. Biswal, J. Blautzik, J. Breitner, R. L. Buckner, V. D. Calhoun, F. X. Castellanos, "An open science resource for establishing reliability and reproducibility in functional connectomics," Scientific Data, vol. 1, pp. 1-13, 2014.
  12. IXI Dataset, Available: https://brain-development.org/ixi-dataset/.
  13. P. J. LaMontagne, S. Keefe, W. Lauren, C. Xiong, E. A. Grant, K. L. Moulder, J. C. Morris, T. L. Benzinger, D. S. Marcus, "OASIS-3: Longitudinal neuroimaging, clinical, and cognitive dataset for normal aging and Alzheimer's disease," Alzheimer's & Dementia: The Journal of the Alzheimer's Association, vol. 14, no. 7, p. P1097, 2018.
  14. D. Wei, K. Zhuang, L. Ai, Q. Chen, W. Yang, W. Liu, J. Qiu, "Structural and functional brain scans from the cross-sectional Southwest University adult lifespan dataset," Scientific Data, vol. 5, no. 1, pp. 1-10, 2018.
  15. Penny, William D., et al., eds. Statistical parametric mapping: the analysis of functional brain images. Elsevier, 2011.