基于三角网格上图卷积网络解释脑形态以分类阿尔茨海默病痴呆
图像与视频处理
2022-03-14 v3 计算机视觉与模式识别
机器学习
谱理论
神经元与认知
摘要
我们提出一种基于网格的技术，利用皮层与皮下结构的网格表示来辅助阿尔茨海默病痴呆（ADD）的分类。利用结构神经影像进行分类任务的深度学习方法通常需要大量可学习参数进行优化。这些自动化医学诊断方法也常常缺乏对参与诊断的脑区进行视觉可解释性。本工作：（a）利用皮层与皮下结构的表面信息分析脑形状，（b）提出一种用于最先进图卷积网络的残差学习框架，显著减少了可学习参数，以及（c）通过网络特定类别的梯度信息提供网络的可视化可解释性，从而定位输入中重要的感兴趣区域。借助我们所提出的方法利用皮层与皮下表面信息，我们在ADD与健康对照问题上以96.35%的测试准确率优于其他机器学习方法。我们通过25次蒙特卡洛交叉验证观察其性能，确认了模型的有效性。我们研究中所生成的可视化图谱与当前关于阿尔茨海默型痴呆相关脑病理改变结构定位的认识相一致。
引用
@article{arxiv.2008.06151,
title = {Interpretation of Brain Morphology in Association to Alzheimer's Disease Dementia Classification Using Graph Convolutional Networks on Triangulated Meshes},
author = {Emanuel A. Azcona and Pierre Besson and Yunan Wu and Arjun Punjabi and Adam Martersteck and Amil Dravid and Todd B. Parrish and S. Kathleen Bandt and Aggelos K. Katsaggelos},
journal= {arXiv preprint arXiv:2008.06151},
year = {2022}
}
备注
Accepted for the Shape in Medical Imaging (ShapeMI) workshop at MICCAI International Conference 2020