基于 MRI 的阿尔茨海默病诊断可解释深度 CNN
机器学习
2020-04-28 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
深度卷积神经网络（CNNs）正成为利用脑磁共振成像（MRI）半自动诊断阿尔茨海默病（AD）的重要模型。尽管精度很高，深度 CNN 模型缺乏透明性与可解释性，妨碍充分的临床推理且不符合当前多数监管要求。解释深度图像模型的一种流行方法是遮挡图像区域以隔离其对预测的影响。然而，现有的脑扫描补丁遮挡方法生成了模型训练分布之外的图像，从而导致不可靠的解释。本文提出一种专为脑扫描任务设计的替代解释方法。我们称之为交换测试（Swap Test）的方法生成热图，描绘最提示 AD 的脑区，以临床医生可理解的格式为模型决策提供可解释性。使用公理评估的实验结果表明，所提方法更适用于解释基于 MRI 的 AD 诊断，而使用典型遮挡测试时观察到相反趋势。因此，我们相信我们的方法可解决能够诊断 AD 的深度神经网络固有的黑箱性质。
引用
@article{arxiv.2004.12204,
title = {Explainable Deep CNNs for MRI-Based Diagnosis of Alzheimer's Disease},
author = {Eduardo Nigri and Nivio Ziviani and Fabio Cappabianco and Augusto Antunes and Adriano Veloso},
journal= {arXiv preprint arXiv:2004.12204},
year = {2020}
}
备注
Accepted for the IEEE International Joint Conference on Neural Networks (IJCNN) 2020