sMRI-PatchNet：一种用于阿尔茨海默病诊断和结构性MRI判别性萎缩定位的新型可解释的基于图像块的深度学习网络
图像与视频处理
2023-11-14 v2 计算机视觉与模式识别
机器学习
摘要
结构磁共振成像（sMRI）因其对软组织的高对比度和高空间分辨率，能够识别细微的脑部变化。它已被广泛用于诊断神经系统脑部疾病，如阿尔茨海默病（AD）。然而，3D高分辨率数据的大小给数据分析和处理带来了巨大挑战。由于只有少数脑区显示出与AD高度相关的结构变化，将整个图像数据划分为若干小规则图像块的基于图像块的方法，在更高效的基于sMRI的图像分析方面显示出潜力。基于图像块的方法在sMRI上的主要挑战包括识别判别性图像块、组合来自离散判别性图像块的特征以及设计合适的分类器。本工作提出了一种新颖的基于图像块的深度学习网络（sMRI-PatchNet），该网络具有可解释的图像块定位和选择功能，用于使用sMRI进行AD诊断。具体来说，它由两个主要部分组成：1）一种快速高效的可解释图像块选择机制，基于计算SHapley Additive exPlanations（SHAP）对大规模医学数据上用于AD诊断的迁移学习模型的贡献，来确定最具判别性的图像块；2）一种新颖的基于图像块的网络，用于从选定的图像块中提取深层特征并进行AD分类，并带有位置嵌入以保留位置信息，能够捕获图像块间和图像块内的全局和局部信息。该方法已应用于真实数据集的AD分类和过渡状态中度认知障碍（MCI）转化的预测。
引用
@article{arxiv.2302.08967,
title = {sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer's disease diagnosis and discriminative atrophy localisation with Structural MRI},
author = {Xin Zhang and Liangxiu Han and Lianghao Han and Haoming Chen and Darren Dancey and Daoqiang Zhang},
journal= {arXiv preprint arXiv:2302.08967},
year = {2023}
}