基于层间相关性传播解释深度神经网络在MRI阿尔茨海默病分类中的决策
定量方法
2019-08-28 v2
摘要
深度神经网络在许多医学影像任务中取得了最先进的结果，包括基于结构磁共振成像（MRI）数据的阿尔茨海默病（AD）检测。然而，网络决策常被视为高度不透明，使得这些算法难以应用于临床常规。在本研究中，我们提出使用层间相关性传播（LRP）来可视化基于MRI数据的AD卷积神经网络决策。与其他可视化方法类似，LRP在输入空间生成热图，指示对最终分类结果有贡献的每个体素的重要性/相关性。与引导反向传播产生的敏感性图（“哪些体素的变化最会改变结果？”）不同，LRP方法能够直接在输入空间中突出对网络分类的正向贡献。具体而言，我们表明：（1）LRP方法对个体极具特异性（“此人为何患AD？”），患者间变异性高；（2）健康对照中几乎无AD相关性；（3）呈现高相关性的区域与文献已知结果吻合良好。为量化后者，我们计算每个脑区汇总相关性的尺寸校正度量，例如相关性密度或相关性增益。尽管这些度量产生非常个体化的AD患者相关性模式“指纹”，大量重要性集中于包括海马体的颞叶区域。在讨论若干局限性（如对底层模型和计算参数的敏感性）后，我们得出结论：LRP可能具有极高潜力，可辅助临床医生解释基于结构MRI数据的AD（及潜在其他疾病）诊断中的神经网络决策。
引用
@article{arxiv.1903.07317,
title = {Layer-Wise Relevance Propagation for Explaining Deep Neural Network Decisions in MRI-Based Alzheimer's Disease Classification},
author = {Moritz Böhle and Fabian Eitel and Martin Weygandt and Kerstin Ritter},
journal= {arXiv preprint arXiv:1903.07317},
year = {2019}
}