在三维卷积神经网络中学习形状特征与抽象表示以检测阿尔茨海默病
计算机视觉与模式识别
2020-09-11 v1 机器学习
图像与视频处理
摘要
深度神经网络——尤其是卷积神经网络（ConvNet）——已成为图像分类、模式识别及各种计算机视觉任务的最先进方法。ConvNet 在医学领域具有巨大潜力，可高效分析医疗数据以诊断疾病。基于 ConvNet 模型从 MRI 数据中提取的特征，早期诊断是预防阿尔茨海默病进展和治疗的关键。尽管具备优异性能，模型决策缺乏可解释性可能导致误诊并危及生命。本论文利用多种可视化技术，研究了三维 ConvNet 为检测阿尔茨海默病所学习的形状特征与抽象表示。同时考察了网络结构、所用滤波器尺寸与形状的变化如何影响模型整体性能与所学特征。不同模型的 LRP 相关性图揭示了大脑哪些区域对分类决策更为关键。通过激活最大化（Activation Maximization）比较所学滤波器，展示了模式如何在网络各层中被编码。最后，实现了来自卷积自编码器的迁移学习，以检验用输入块增加训练样本数来提取低级特征是否能改善所学特征与模型性能。
引用
@article{arxiv.2009.05023,
title = {Learning Shape Features and Abstractions in 3D Convolutional Neural Networks for Detecting Alzheimer's Disease},
author = {Md Motiur Rahman Sagar and Martin Dyrba},
journal= {arXiv preprint arXiv:2009.05023},
year = {2020}
}