Improving mental disorder classification using conditional DCGAN

Abstract

Mental disorders such as bipolar disorder, depression, and schizophrenia are often challenging to diagnose because they have typical symptoms of delusions and hallucinations. In this study, we investigate machine learning methods to classify several mental disorders objectively using brain functional connectivity data. Furthermore, to improve the prediction performance, we generate the synthetic data using the conditional Deep Convolutional Generative Adversarial Nets (conditional DCGAN) and use them in training the models. When learning ResNet18, random forest, and support vector machine, we found that the conditional DCGAN based oversampling can improve the classification performance. To interpret the learned model on brain connectivity data, we draw the class activation map to identify the area mainly reviewed in the image when the model proceeds to classification.;정신 질환 중 조울증, 우울증, 조현병의 경우 망상, 환각 등의 임삼증상이 공통적으로 나타나기 때문에 진단이 어려운 경우가 많다. 본 연구에서는 Source Functional Connectivity 자료를 이용하여 여러 정신질환을 보다 높은 성능으로 분류하기 위한 머신 러닝 방법들을 적용한다. 또한, 예측 성능을 향상시키기 위해 조건부 심층 합성곱 적대적 생성 신경망 (conditional-DCGAN)을 사용하여 합성 데이터를 생성하고 모델 학습에 사용한다. ResNet18, 랜덤 포레스트 및 SVM을 학습할 때 conditional-DCGAN기반 Oversampling이 분류 성능을 향상시킬 수 있음을 발견했다. 뇌 연결성 데이터에 대해 학습된 모델을 해석하기 위해 모델이 분류로 진행될 때 주로 이미지에서 검토되는 영역을 식별하기 위해 Class Activation Map을 함께 제시한다.