핵심 개념
本研究提出了一種創新的方法,利用2D CNN從3D MRI影像中提取體積特徵表示,並採用注意力機制來學習每個切片在決策過程中的重要性,從而生成可解釋的3D注意力圖,突出與阿茲海默症相關的關鍵大腦區域。
초록
本研究提出了一種創新的方法,用於利用3D MRI影像進行阿茲海默症(AD)的診斷和預後。該方法採用注意力機制,使2D CNN能夠提取體積表示,同時學習每個切片在決策過程中的重要性,從而生成可解釋的3D注意力圖。
具體來說,該方法包括以下步驟:
- 預處理:對MRI影像進行偏差場校正、空間配準和去顱骨處理。
- 診斷網絡:
- 特徵提取模塊:使用預訓練的2D卷積骨幹處理一系列2D切片,提取每個切片的特徵向量。
- 注意力XAI融合模塊:計算每個切片的注意力權重,並將其融合成一個代表整個大腦影像的綜合特徵向量。
- 診斷模塊:將綜合特徵向量輸入到診斷頭部網絡,進行AD和正常認知(CN)的二分類。
- XAI方法:
- 注意力權重生成:為每個切片平面(矢狀、冠狀和軸向)訓練一個專門的診斷和XAI網絡,計算相應的注意力權重。
- 3D注意力圖合成:將三個平面的注意力權重整合成一個3D注意力圖,突出與AD相關的關鍵大腦區域。
- 大腦區域重要性量化:利用模板atlas,量化3D注意力圖在不同大腦區域的重疊程度,以確定AD相關的關鍵區域。
該方法在標準化的ADNI數據集上進行了評估,在AD vs CN分類任務中取得了0.856的準確率和0.712的Matthews相關係數,優於現有最佳方法。在sMCI vs pMCI預後任務中,準確率為0.725,Matthews相關係數為0.443,也優於現有最佳方法。此外,該方法能夠識別與AD相關的關鍵大腦區域,如海馬迴、旁海馬迴、杏仁核和下側腦室等,並按重要性排序,與放射科醫生的診斷過程一致。
통계
海馬迴體積佔比為0.12,平均注意力強度為0.78,注意力強度標準差為0.11,最大值為0.92,最小值為0.65。
旁海馬迴體積佔比為0.09,平均注意力強度為0.74,注意力強度標準差為0.13,最大值為0.88,最小值為0.59。
杏仁核體積佔比為0.07,平均注意力強度為0.71,注意力強度標準差為0.15,最大值為0.85,最小值為0.52。
下側腦室體積佔比為0.05,平均注意力強度為0.68,注意力強度標準差為0.17,最大值為0.82,最小值為0.47。
인용구
"本研究提出了一種創新的方法,利用2D CNN從3D MRI影像中提取體積特徵表示,並採用注意力機制來學習每個切片在決策過程中的重要性,從而生成可解釋的3D注意力圖,突出與阿茲海默症相關的關鍵大腦區域。"
"該方法在標準化的ADNI數據集上進行了評估,在AD vs CN分類任務中取得了0.856的準確率和0.712的Matthews相關係數,優於現有最佳方法。在sMCI vs pMCI預後任務中,準確率為0.725,Matthews相關係數為0.443,也優於現有最佳方法。"
"該方法能夠識別與AD相關的關鍵大腦區域,如海馬迴、旁海馬迴、杏仁核和下側腦室等,並按重要性排序,與放射科醫生的診斷過程一致。"