NEURO-DRAM：一种用于可解释神经影像分类的三维循环视觉注意力模型
机器学习
2019-10-22 v3 机器学习
摘要
深度学习正引起神经影像学界极大兴趣，被视为从结构磁共振图像诊断精神与神经系统疾病的一种手段。然而，研究者倾向于采用为传统计算机视觉任务优化的架构，而非设计针对神经影像数据定制的网络。为此，我们提出 NEURO-DRAM，一种为神经影像分类量身定制的三维循环视觉注意力模型。该模型包含一个智能体，通过强化学习训练，学会在体图像中导航，针对给定任务选择性关注最具信息量的区域。应用于阿尔茨海默病预测时，NEURO-DRAM 在样本外数据集上达到最先进的分类精度，显著优于基线卷积神经网络。进一步应用于预测轻度认知障碍患者两年内是否诊断为阿尔茨海默病时，该模型无需额外训练即达到最先进精度。令人鼓舞的是，该智能体在无显式指令下学习到的搜索策略与阿尔茨海默病标准化放射学标志相符，这为更鲜为人知疾病的自动化生物标志物发现提供了一条途径。
引用
@article{arxiv.1910.04721,
title = {NEURO-DRAM: a 3D recurrent visual attention model for interpretable neuroimaging classification},
author = {David Wood and James Cole and Thomas Booth},
journal= {arXiv preprint arXiv:1910.04721},
year = {2019}
}
备注
Improved network figure