基于解剖分割评估阿尔茨海默病分类器的显著性图
计算机视觉与模式识别
2024-07-12 v1 机器学习
定量方法
摘要
显著性图已被广泛用于解释阿尔茨海默病 (AD) 的深度学习分类器。然而，由于 AD 具有异质性且存在多种亚型，疾病的病理机制尚未完全理解，可能因患者而异。鉴于缺乏这种理解，难以全面且有效地评估 AD 分类器的显著性图。本文利用解剖分割将显著性值分配到不同的脑区。通过绘制对应 AD 和 NC (正常对照) 的显著性图分布，我们可以获得模型决策过程的全面视图。为了利用脑容量在 AD 患者疾病进展中发生缩小的事实，我们定义了一种新评估指标，即脑容量变化得分 (VCS) ，通过计算每个患者在不同脑区的脑容量变化与模型显著性值的平均皮尔逊相关系数来实现。因此，VCS 指标可以帮助我们了解不同模型的显著性图如何与整个脑中不同区域容量变化相关。我们在 ADNI 数据集上训练候选模型，在三个不同的数据集上进行测试。我们的结果表明：(i) VCS 值更高的模型倾向于显示与 AD 病理相关性更丰富的显著性图；(ii) 使用梯度基于对抗训练策略如 FGSM 和随机遮蔽可以提高模型的 VCS 值。
引用
@article{arxiv.2407.08546,
title = {Quantitative Evaluation of the Saliency Map for Alzheimer's Disease Classifier with Anatomical Segmentation},
author = {Yihan Zhang and Xuanshuo Zhang and Wei Wu and Haohan Wang},
journal= {arXiv preprint arXiv:2407.08546},
year = {2024}
}