用于阿尔茨海默病诊断的多模态脑影像可解释图卷积网络
机器学习
2022-04-29 v1 计算机视觉与模式识别
图像与视频处理
摘要
识别与特定神经障碍相关的大脑区域对于生物标志物和诊断研究具有重要意义。本文提出一种可解释的图卷积网络（GCN）框架，利用多模态脑影像数据对阿尔茨海默病（AD）进行识别与分类。具体而言，我们将梯度类激活映射（Grad-CAM）技术扩展，以量化GCN从脑连接模式中识别出的最具判别性的特征。随后利用这些特征，通过检测健康对照（HC）、轻度认知障碍（MCI）和AD组间区域特征差异，找出特征性感兴趣区域（ROIs）。我们在ADNI数据库上利用包括VBM-MRI、FDG-PET和AV45-PET三种模态的影像数据进行实验，表明我们的方法学习到的ROI特征可有效提升临床评分预测与疾病状态识别的性能，并成功识别出与AD和MCI相关的生物标志物。
引用
@article{arxiv.2204.13188,
title = {Interpretable Graph Convolutional Network of Multi-Modality Brain Imaging for Alzheimer's Disease Diagnosis},
author = {Houliang Zhou and Lifang He and Yu Zhang and Li Shen and Brian Chen},
journal= {arXiv preprint arXiv:2204.13188},
year = {2022}
}
备注
This paper has been published to IEEE 19th International Symposium on Biomedical Imaging (ISBI), 2022