轴向注意力：基于3D脑部MRI的阿尔茨海默病可解释局部诊断
图像与视频处理
2024-10-02 v2 计算机视觉与模式识别
摘要
本研究提出了一种创新方法，用于3D MRI诊断阿尔茨海默病，以增强模型决策的可解释性。我们的ethods采用软注意力机制，使2D CNN能够提取体积表示。同时学习每一层在决策中的重要性，从而生成体素级注意力图，以产生可解释的MRI。为测试本方法并确保结果可重复性，我们选取了来自阿尔茨海默病神经影像计划（ADNI）的标准化MRI数据集合。在该数据集上，我们的方法在（i）区分阿尔茨海默病（AD）和认知正常（CN）方面准确率达到0.856，马太相关系数（MCC）为0.712，分别比第二名者提高2.4%和5.3%；在（ii）辨别稳定型和进展性轻度认知障碍（MCI）的预后任务中，准确率为0.725，MCC为0.443，分别比第二名者提高10.2%和20.5%。我们通过采用双向迁移学习策略，实现了该预后结果，这增强了对形态变化的敏感性，促进了早期AD检测。凭借体素级精度，我们的方法识别出正在关注的具体区域，确定这些主要脑区为：小脑胶质、杏仁核、旁小脑和下侧侧裂。所有这些区域都与AD发展临床相关。此外，我们的方法在不同的交叉验证折叠中始终发现相同的AD相关区域，证明了其在精准识别与已知疾病病理标记高度吻合的区域方面的鲁棒性和精确性。
引用
@article{arxiv.2407.02418,
title = {AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans},
author = {Gabriele Lozupone and Alessandro Bria and Francesco Fontanella and Frederick J. A. Meijer and Claudio De Stefano},
journal= {arXiv preprint arXiv:2407.02418},
year = {2024}
}
备注
21 pages, 9 figures, 9 tables