用于轻度创伤性脑损伤诊断的可解释三维多模态残差卷积神经网络
图像与视频处理
2024-04-09 v1 计算机视觉与模式识别
机器学习
摘要
轻度创伤性脑损伤（mTBI）因其高患病率及潜在的长期健康影响，是一项重大公共卫生挑战。尽管计算机断层扫描（CT）是 mTBI 的标准诊断工具，但尽管有症状证据，mTBI 患者常显示正常结果。这一事实凸显了准确诊断的复杂性。在本研究中，我们引入一种可解释的三维多模态残差卷积神经网络（MRCNN）用于 mTBI 诊断模型，并辅以遮挡敏感图（OSM）。我们的 MRCNN 模型在 mTBI 诊断中表现出良好性能，经五折交叉验证证实平均准确率为 82.4%、灵敏度为 82.6%、特异度为 81.6%。值得注意的是，与基于 CT 的残差卷积神经网络（RCNN）模型相比，MRCNN 的特异度提高 4.4%、准确率提高 9.0%。我们表明，相较于 Grad-CAM 方法，OSM 能对 CT 图像提供更优的数据驱动洞察。这些结果凸显了所提多模态模型在提升 mTBI 诊断精度方面的功效。
引用
@article{arxiv.2309.12572,
title = {Interpretable 3D Multi-Modal Residual Convolutional Neural Network for Mild Traumatic Brain Injury Diagnosis},
author = {Hanem Ellethy and Viktor Vegh and Shekhar S. Chandra},
journal= {arXiv preprint arXiv:2309.12572},
year = {2024}
}
备注
Accepted by the Australasian Joint Conference on Artificial Intelligence 2023 (AJCAI 2023). 12 pages and 5 Figures