基于跨模态迁移学习和Grad-CAM的3D-CNN脑磁共挏扫描中型质灶鉴别检测
图像与视频处理
2025-04-11 v1 计算机视觉与模式识别
医学物理
摘要
型质灶II类是难治性癫痫的主要原因，常需手术治疗。尽管临床意义重大，型质灶的诊断在MRI中极其困难，因其亚细节异常易导致误诊。本研究探讨使用3D卷积神经网络（3D-CNN）进行型质灶检测，数据集包含170例受试者（85例型质灶患者与85例对照），包括T1加权和FLAIR MRI扫描。特别研究跨模态迁移学习和可解释人工智能（XAI）技术，特别是梯度加权类激活图（Grad-CAM）的效益。实现了ResNet-18、-34和-50架构，采用预训练于分割任务权重的迁移学习策略。结果表明，迁移学习显著提升了分类准确率（最高达80.3%），并通过新颖的Heat-Score指标评估了可解释性，后者评估模型对临床相关区域的关注程度。Heat-Score指标的改进凸显了模型对癫痫灶定位能力的提升，使AI预测与临床洞察更趋一致。这些结果突出了跨模态迁移学习和XAI在发展基于AI的医学诊断方面的重要性，尤其是针对难以诊断的病灶如型质灶。
引用
@article{arxiv.2504.07775,
title = {Focal Cortical Dysplasia Type II Detection Using Cross Modality Transfer Learning and Grad-CAM in 3D-CNNs for MRI Analysis},
author = {Lorenzo Lasagni and Antonio Ciccarone and Renzo Guerrini and Matteo Lenge and Ludovico D'incerti},
journal= {arXiv preprint arXiv:2504.07775},
year = {2025}
}