面向扩散张量成像的可解释表征学习方法
计算机视觉与模式识别
2025-06-03 v2 人工智能
机器学习
摘要
扩散张量成像（DTI） tractography 提供了关于脑结构连接的详细见解，但在深度学习模型中存在表征和解释方面的挑战。本文提出了一种新的二维 DTI tractography 表征方法，将 tract 级别的分数各向同性（FA）值编码为 9x9 灰度图。该表征通过 Beta-Total Correlation 变分自编码器（Beta-Total Correlation Variational Autoencoder）配合空间广播解码器（Spatial Broadcast Decoder）进行处理，以学习出解耦且可解释的潜在表征。我们采用监督和无监督表征学习策略评估该表征的质量，包括辅助分类、三角损失和 SimCLR 基于对比学习。与 1 维 Group 深度神经网络（DNN）基线相比，我们的方法在下游性别分类任务中将 F1 分数提高了 15.74%，且在解耦性上优于 3D 表征。
引用
@article{arxiv.2505.19110,
title = {An Interpretable Representation Learning Approach for Diffusion Tensor Imaging},
author = {Vishwa Mohan Singh and Alberto Gaston Villagran Asiares and Luisa Sophie Schuhmacher and Kate Rendall and Simon Weißbrod and David Rügamer and Inga Körte},
journal= {arXiv preprint arXiv:2505.19110},
year = {2025}
}
备注
Accepted for publication at MIDL 2025