利用层间相关性传播揭示卷积神经网络在传统MRI上诊断多发性硬化的决策
计算机视觉与模式识别
2019-04-19 v1
摘要
基于机器学习的影像诊断最近在多个临床领域已达到甚至超越临床专家的水平。然而，训练好的机器学习系统的分类决策通常是非透明的，这是临床整合、错误追踪或知识发现的重大障碍。在本研究中，我们提出一个透明的深度学习框架，依赖卷积神经网络（CNNs）和层间相关性传播（LRP）来诊断多发性硬化（MS）。MS通常利用临床表征和传统磁共振成像（MRI）的组合来诊断，特别是T2加权图像中白质病变的发生和表现。我们假设在朴素预测模型中使用LRP将使我们能够揭示训练好的CNN用于决策的相关图像特征。由于MS中的影像标志物已确立，这将使我们能够验证相应的CNN模型。首先，我们在来自阿尔茨海默病神经影像学倡议（n = 921）的MRI数据上预训练CNN，之后将CNN专门化以区分MS患者和健康对照（n = 147）。使用LRP，我们随后为保留集中的每个受试者生成热图，描绘特定分类决策的体素级相关性。所得的CNN模型在受试者工作特征曲线中达到87.04%的平衡准确率和96.08%的曲线下面积。随后的LRP可视化显示，CNN模型确实聚焦于个别病变，但也纳入了额外信息，如病变位置、非病变白质或灰质区域（如丘脑），这些都是MS中已确立的传统和高级MRI标志物。我们得出结论，LRP和所提出的框架能够揭示诊断决策……
引用
@article{arxiv.1904.08771,
title = {Uncovering convolutional neural network decisions for diagnosing multiple sclerosis on conventional MRI using layer-wise relevance propagation},
author = {Fabian Eitel and Emily Soehler and Judith Bellmann-Strobl and Alexander U. Brandt and Klemens Ruprecht and René M. Giess and Joseph Kuchling and Susanna Asseyer and Martin Weygandt and John-Dylan Haynes and Michael Scheel and Friedemann Paul and Kerstin Ritter},
journal= {arXiv preprint arXiv:1904.08771},
year = {2019}
}