XADLiME：基于临床引导原型学习的可解释阿尔茨海默病似然图估计
机器学习
2022-07-28 v1 图像与视频处理
摘要
诊断阿尔茨海默病（AD）涉及审慎的诊断过程，因其具有不可逆且隐匿渐进的固有特性。这些特征使得从结构脑成像（如结构MRI）扫描中识别AD生物标志物颇具挑战。此外，其与正常衰老高度混淆。我们提出一种新颖的深度学习方法，通过可解释AD似然图估计（XADLiME），利用临床引导的原型学习在3D sMRI上进行AD进展建模。具体而言，我们在潜在临床特征簇上建立一组拓扑感知原型，揭示AD谱流形。随后我们度量潜在临床特征与既定原型间的相似性，估计“伪”似然图。将该伪图视为富集参考，我们采用估计网络在3D sMRI扫描上估计AD似然图。此外，我们从临床与形态两个角度揭示可理解的概览，提升了该似然图的可解释性。推理期间，该估计似然图作为未见sMRI扫描的替代，有效执行下游任务并提供详尽可解释状态。
引用
@article{arxiv.2207.13223,
title = {XADLiME: eXplainable Alzheimer's Disease Likelihood Map Estimation via Clinically-guided Prototype Learning},
author = {Ahmad Wisnu Mulyadi and Wonsik Jung and Kwanseok Oh and Jee Seok Yoon and Heung-Il Suk},
journal= {arXiv preprint arXiv:2207.13223},
year = {2022}
}