用于从脑 MR 图像预测多发性硬化炎症性疾病活动的自剪枝图神经网络
图像与视频处理
2023-09-01 v1 计算机视觉与模式识别
摘要
多发性硬化（MS）是一种以中枢神经系统炎性病变为特征的严重神经疾病。因此，预测炎症性疾病活动对疾病评估与治疗至关重要。然而，MS 病变可发生于全脑，且在患者间形状、大小与总数各异。病变负荷与位置的高方差使得机器学习方法难以学习全脑 MRI 扫描的全局有效表示来评估与预测疾病。从技术上讲，整合病变负荷或空间邻近性等关键生物标志物并非易事。我们的工作首次尝试利用图神经网络（GNN）聚合这些生物标志物以得到一种新的全局表示。我们提出一种两阶段 MS 炎症性疾病活动预测方法。首先，一个 3D 分割网络检测病变，自监督算法提取其图像特征。其次，检测到的病变用于构建患者图：病变作为图节点，并以第一阶段提取的图像特征初始化。最后，依据空间邻近性连接病变，并将炎症性疾病活动预测建模为图分类任务。此外，我们提出一种自剪枝策略以自动选择对预测最关键的病变。我们的方法大幅优于现有基线（一年与两年炎症性疾病活动的 AUC 分别为 0.67 vs. 0.61 与 0.66 vs. 0.60）。最后，我们的方法通过对每个病变赋予整体预测的重要性分数而具有内在可解释性。代码见 https://github.com/chinmay5/ms_ida.git
引用
@article{arxiv.2308.16863,
title = {Self-pruning Graph Neural Network for Predicting Inflammatory Disease Activity in Multiple Sclerosis from Brain MR Images},
author = {Chinmay Prabhakar and Hongwei Bran Li and Johannes C. Paetzold and Timo Loehr and Chen Niu and Mark Mühlau and Daniel Rueckert and Benedikt Wiestler and Bjoern Menze},
journal= {arXiv preprint arXiv:2308.16863},
year = {2023}
}