基于可解释三维残差自注意力深度神经网络利用结构MRI进行萎缩定位与阿尔茨海默病联合诊断
图像与视频处理
2021-11-16 v2 计算机视觉与模式识别
摘要
基于结构磁共振成像(sMRI)的阿尔茨海默病(AD)及其前驱期轻度认知障碍(MCI)的计算机辅助早期诊断，为疾病进展的早期预防与治疗提供了一种经济高效且客观的途径，从而改善了患者护理。本工作中，我们提出了一种新颖的计算机辅助AD早期诊断方法，引入可解释的三维残差注意力深度神经网络(3D ResAttNet)从sMRI扫描中进行端到端学习。与现有方法不同，我们方法的新颖性体现在三方面：1) 提出残差自注意力深度神经网络以捕获MR图像的局部、全局和空间信息，从而提升诊断性能；2) 引入基于梯度的定位类激活映射(Grad-CAM)解释方法以提高所提方法的可解释性；3) 本工作为自动化疾病诊断提供了完整的端到端学习方案。我们所提出的3D ResAttNet方法在来自真实数据集的大规模受试者队列上针对两项具有挑战性的分类任务(即阿尔茨海默病(AD) vs. 正常对照(NC)与进展型MCI(pMCI) vs. 稳定型MCI(sMCI))进行了评估。实验结果表明，所提方法在准确性能和泛化性方面相较最先进(SOTA)模型具有竞争优势。我们方法中的可解释机制能够识别并高亮重要脑区(如海马体、侧脑室及大部分皮质)对透明决策的贡献。
引用
@article{arxiv.2008.04024,
title = {An Explainable 3D Residual Self-Attention Deep Neural Network FOR Joint Atrophy Localization and Alzheimer's Disease Diagnosis using Structural MRI},
author = {Xin Zhang and Liangxiu Han and Wenyong Zhu and Liang Sun and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2008.04024},
year = {2021}
}
备注
IEEE Journal of Biomedical and Health Informatics (2021)