PIPNet3D：MRI 扫描中阿尔茨海默病的可解释检测
计算机视觉与模式识别
2024-07-23 v3
摘要
来自神经影像学检查的信息越来越多地被用于支持痴呆症（例如阿尔茨海默病）的诊断。虽然当前的临床实践主要基于视觉检查和特征工程，但深度学习方法可用于实现分析自动化并发现新的图像生物标志物。部分原型神经网络（PP-NN）是标准黑盒模型的替代方案，并在通用计算机视觉领域展现出可喜的成果。PP-NN 的推理基于完全无监督学习的原型图像区域，并结合了一个易于理解决策层。我们提出了 PIPNet3D，一种用于体积图像的 PP-NN。我们将 PIPNet3D 应用于基于结构磁共振成像（sMRI）的阿尔茨海默病临床诊断。我们在系统的评估框架下评估了原型的质量，提出了新的功能基础度量来评估大脑原型，并开发了一种评估方案以衡量其与领域专家的一致性。我们的结果表明，PIPNet3D 是一个可解释、紧凑的阿尔茨海默病诊断模型，其推理与医学领域知识高度一致。值得注意的是，PIPNet3D 取得了与其黑盒对应模型相同的准确率；并且从其决策过程中移除剩余的与临床无关的原型并不会降低预测性能。
引用
@article{arxiv.2403.18328,
title = {PIPNet3D: Interpretable Detection of Alzheimer in MRI Scans},
author = {Lisa Anita De Santi and Jörg Schlötterer and Michael Scheschenja and Joel Wessendorf and Meike Nauta and Vincenzo Positano and Christin Seifert},
journal= {arXiv preprint arXiv:2403.18328},
year = {2024}
}
备注
Accepted at iMIMIC workshop @MICCAI 2024