利用集体人工智能实现可解释且可泛化的阿尔茨海默病检测
图像与视频处理
2023-01-05 v2 计算机视觉与模式识别
摘要
阿尔茨海默病是痴呆最常见的病因。该病的准确诊断与预后对于制定恰当的治疗方案、延长患者预期寿命至关重要。已有大量研究使用机器学习从神经影像数据(如结构磁共振成像)识别阿尔茨海默病。近年来,深度学习在计算机视觉中的进展为这一问题指出了新研究方向。然而,该领域当前基于深度学习的方法存在若干缺陷,包括模型决策的可解释性不足、缺乏泛化性信息以及相比传统机器学习技术性能较低。本文设计了一个两阶段框架以克服这些局限。第一阶段,使用 125 个 U-Net 的集成对输入图像进行分级,生成反映体素级疾病严重程度的 3D 图,该图有助于定位疾病引起的异常脑区。第二阶段,我们利用生成的分级图及受试者其他信息为每个人建模一个图,并提出使用图卷积神经网络分类器进行最终分类。结果表明,我们的框架在多个数据集的诊断与预后上均达到与 SOTA 方法相当的性能。我们还证明,使用大规模 U-Net 集成可为框架提供更好的泛化能力。
引用
@article{arxiv.2206.03247,
title = {Towards better Interpretable and Generalizable AD detection using Collective Artificial Intelligence},
author = {Huy-Dung Nguyen and Michaël Clément and Boris Mansencal and Pierrick Coupé},
journal= {arXiv preprint arXiv:2206.03247},
year = {2023}
}