sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer’s disease diagnosis and discriminative atrophy localisation with Structural MRI

要約

構造磁気共鳴画像法 (sMRI) は、軟部組織のコントラストが高く、空間分解能が高いため、脳の微妙な変化を識別できます。
アルツハイマー病 (AD) などの神経性脳疾患の診断に広く使用されています。
ただし、3D 高解像度データのサイズは、データの分析と処理に大きな課題をもたらします。
AD と高度に関連する構造変化を示す脳の領域はごくわずかであるため、画像データ全体をいくつかの小さな規則的なパッチに分割するパッチベースの方法は、より効率的な sMRI ベースの画像解析に有望であることが示されています。
sMRI のパッチベースの方法の主な課題には、識別パッチの識別、個別の識別パッチの機能の組み合わせ、および適切な分類器の設計が含まれます。
この作業では、説明可能なパッチのローカリゼーションと sMRI を使用した AD 診断のための選択を備えた、新しいパッチベースの深層学習ネットワーク (sMRI-PatchNet) を提案します。
具体的には、2 つの主要なコンポーネントで構成されます。1) 大量の医療データに対する AD 診断のための転移学習モデルへの SHapley Additive exPlanations (SHAP) の寄与の計算に基づいて、最も識別力の高いパッチを決定するための高速で効率的な説明可能なパッチ選択メカニズム。
2) 選択されたパッチから深い特徴と AD 分類を抽出し、位置情報を保持して位置情報を保持し、パッチ間およびパッチ内のグローバルおよびローカル情報を取得できる、新しいパッチベースのネットワーク。
この方法は、AD 分類と移行状態の中等度認知障害 (MCI) 変換の予測に実際のデータセットに適用されています。

要約(オリジナル)

Structural magnetic resonance imaging (sMRI) can identify subtle brain changes due to its high contrast for soft tissues and high spatial resolution. It has been widely used in diagnosing neurological brain diseases, such as Alzheimer disease (AD). However, the size of 3D high-resolution data poses a significant challenge for data analysis and processing. Since only a few areas of the brain show structural changes highly associated with AD, the patch-based methods dividing the whole image data into several small regular patches have shown promising for more efficient sMRI-based image analysis. The major challenges of the patch-based methods on sMRI include identifying the discriminative patches, combining features from the discrete discriminative patches, and designing appropriate classifiers. This work proposes a novel patch-based deep learning network (sMRI-PatchNet) with explainable patch localisation and selection for AD diagnosis using sMRI. Specifically, it consists of two primary components: 1) A fast and efficient explainable patch selection mechanism for determining the most discriminative patches based on computing the SHapley Additive exPlanations (SHAP) contribution to a transfer learning model for AD diagnosis on massive medical data; and 2) A novel patch-based network for extracting deep features and AD classfication from the selected patches with position embeddings to retain position information, capable of capturing the global and local information of inter- and intra-patches. This method has been applied for the AD classification and the prediction of the transitional state moderate cognitive impairment (MCI) conversion with real datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google