피질 두께 데이터를 이용한 심층 신경망 기반 뇌 연령 예측 모형의 개발 및 평가

Abstract

서론: 사람의 뇌는 성장 이후 평생에 걸쳐 노화하지만 사람마다 구체적인 양상은 다르다. 나이가 들수록 뇌의 전반적인 부피, 피질 두께 등이 감소하는데 뇌 조직별, 영역별로 감소 양상에 차이가 있으며 특정 시기 이후에는 가속화된다. 최근 뇌의 노화 수준을 나타내는 생물학적 지표로서 뇌 연령이 제안되었다. 뇌 연령을 예측하는 모델을 개발하기 위해서는 적절한 입력 데이터 형식, 알고리즘을 선택하여 뇌 노화의 복잡한 패턴을 학습하는 것이 필수적이다. 기존 뇌 연령 예측 모델의 경우 대부분 부피 기반 데이터 형식의 입력 데이터를 훈련하였으며, 뇌 노화 과정을 보다 민감하게 탐지하는 것으로 알려진 피질 두께 데이터를 이용한 연구는 비교적 적었다. 특히 피질 두께 데이터에 합성곱 신경망(convolutional neural network) 등의 이미지 알고리즘을 적용한 연구는 전무하다. 따라서 본 연구는 최신 머신러닝, 딥러닝 기법을 적용하여 피질 두께 데이터를 학습하고 뇌 연령을 예측하는 새로운 알고리즘을 구현하고자 한다. 방법: 건강한 성인 3,072명의 T1 강조 영상(T1-weighted image)을 공개 데이터베이스에서 수집하였으며, 이 중 뇌영상 전처리 과정에서 문제가 확인되지 않은 3,012명(평균: 41.9세, 표준 편차: 18.6세, 범위: 18 - 86.3세)의 피질 두께 데이터가 예측 알고리즘의 훈련에 사용되었다. 모든 뇌영상 데이터의 방향이 일관되도록 정렬하였으며, FreeSurfer를 통해 각 뇌영상 별 대뇌 피질 두께를 산출하였다. 약 30만 개의 피질 두께 값으로 구성된 1차원 벡터 데이터를 추출하고 커널 주성분 분석(kernel principal component analysis)을 이용하여 데이터의 차원을 축소하였다. 또한 구면 좌표계 상의 피질 두께 데이터를 직교 좌표계로 변환하여 2차원 이미지를 생성하였다. 추출된 입력 데이터 유형(1차원 벡터, 커널 주성분 분석으로 추출한 성분, 2차원 이미지) 마다 다양한 머신러닝, 딥러닝 알고리즘을 적용한 후 각 모델의 예측 성능을 비교하였다. 또한 각 입력 데이터 유형별로 가장 뇌 연령을 정확하게 예측하는 모델을 선택하고 모델의 예측치를 가중 평균하여 앙상블 모델을 구현하였다. 10-겹 교차 검증을 거친 후 302명의 검증 세트에서 모델의 예측 성능을 최종적으로 확인하였다. 각 모델의 예측 정확도는 평균 절대 오차, 평균 제곱근 오차, 결정 계수, 상관 계수로 측정하였다. 합성곱 신경망 모델의 최종 예측에 기여하는 뇌 영역을 시각화하고 연령 증가에 따른 변화를 확인하였다. 결과: 1차원 벡터 데이터로 훈련된 예측 알고리즘 중 가장 높은 예측 정확도를 보인 모델은 관련도 벡터 회귀 모델이었다(평균 절대 오차: 6.46년). 커널 주성분 분석으로 추출된 성분을 학습한 모델 중에서는 완전 연결 신경망의 예측이 가장 정확했으며(평균 절대 오차: 5.50년), 이는 단일 알고리즘 중에서 가장 뛰어난 결과였다. 2차원 이미지로 훈련된 합성곱 신경망 모델은 평균 절대 오차 5.80년의 수준으로 예측하였다. 앙상블 모델의 예측 정확도는 평균 절대 오차 5.17년으로 개별 모델보다 개선된 결과였다. 상두정피질(superior parietal cortex), 쐐기소엽(cuneus)은 합성곱 신경망의 최종적인 예측에 가장 크게 기여하였으며, 측두극(temporal pole), 내후각피질(entorhinal cortex), 위이마이랑(superior frontal gyrus) 등은 연령에 따라 기여하는 정도가 변화하였다. 논의: 본 연구는 피질 두께 데이터를 다양한 입력 데이터 형식으로 변환하여 뇌 연령을 예측하였으며, 커널 주성분 분석, 합성곱 신경망, 앙상블 알고리즘을 통해 피질 두께 데이터의 특성을 다양하게 반영한 알고리즘을 구현하였다. 본 연구에서 개발한 뇌 연령 예측 알고리즘은 피질 두께 변화와 관련된 신경 정신과적 질환의 위험 수준을 판별하는 데 활용될 수 있다. 향후 곡률, 넓이, 주름 등 표면 기반 특성을 활용한 모델과 피질하 영역의 뇌 노화 과정을 정밀하게 학습한 예측 알고리즘과 결합한다면 뇌 연령을 보다 정확하게 예측할 수 있을 것으로 기대된다. ;Introduction: The human brain undergoes aging throughout one's lifetime after its maturation period, but the specific aspects of aging vary from person to person. Recently, the brain age prediction has received an increaging attention as a biological marker of the level of brain aging. Identifying brain age is of great of clinical significances, as it can help predict neurological disorders at the earliest. The brain generally decreases in volume and thickness with aging. Yet, these changes vary depending on numerous factors such as tissue and area of the brain aging and accelerate after a certain period of time. In order to implement brain age prediction algorithms with high performance, it is necessary to select relevant input data and algorithms and to model these complex patterns of the brain aging. While most of the previous studies trained the models through volume-based data, there were relatively few studies using the surface-based data such as cortical thickness. Of the surface-based data, cortical thickness data were reported to detect brain aging with high sensitivity. In particular, studies applying the latest prediction algorithms, such as convolutional neural networks and ensemble algorithms, have not yet been carried out. Therefore, the current study aims to implement a new algorithm that learns cortical thickness data and predicts brain age by applying the latest machine/deep learning techniques. Method: T1-weighted images of 3,072 healthy adults were collected from the open-access public database. The cortical thickness was calculated after the reorientation of each image. The characteristics were extracted for 3,012 cortical thickness data without identified problems in the the preprocessing steps. One-dimensional vector data consisting of about 300,000 cortical thickness values were extracted and dimensionality was reduced using kernel principal components analysis. In addition, cortical thickness data on spherical coordinate systems were converted to cartesian coordinate systems to produce two-dimensional images. Various machine learning and deep learning algorithms were applied to each input data type to compare the brain age prediction performance of the model. An ensemble model was implemented by selecting the best model for each type of input data and weighted averaging. After 10-fold cross-validation, the predicted performance of the model was finally tested in the test set. The predicted accuracy of each model was measured by the mean absolute error, mean square root error, R-square, and Pearson correlation coefficient. In the case of the convolutional neural network model, the brain region contributing to the final determination of the model was visualized with an attention map. Results: The model with the highest predictive accuracy was the relevance vector regression model (mean absolute error: 6.46 years) with respect to the predictive algorithms using one-dimensional vector data. The fully connected neural network had the best predictive performance (mean absolute error: 5.50 years) among models that learned the components extracted from kernel principal component analysis. The convolutional neural network model that were trained in two-dimensional images showed a high predictive accuracy with an mean absolute error of 5.80 years. The mean absolute error of the predicted accuracy of the ensemble model is 5.17 years, resulting in better performance than the individual algorithms. The superior parietal cortex and cuneus played the most important role in predicting brain age in synthetic-cop neural network. Discussion: This study implemented an algorithm using cortical thickness data converted into various types of input format to predict brain age with fairly high accuracy. To the best of our knowledge, it is the first study to predict brain age by developing algorithms that learn cortical thickness data and by applying kernel principal components analysis and convolutional neural network, and to implement an ensemble model which is the optimal algorithm reflecting various characteristics of cortical thickness data. More accurate prediction of the brain age is expected if combined with a model optimized for surface-based data such as curvature, area and local gyrification index as well as a prediction algorithm that accurately models the brain aging process in subcortical areas. Future study that implements the prediction of the model based on the cortical thickness may potentially lead to a wider understanding of the mechanisms associated with the aging process of the brain. The brain age prediction algorithm developed in this study may be potentially used to determine the risk level of neuropsychological diseases related to changes in cortical thickness.