AXIAL: Attention-based eXplainability for Interpretable Alzheimer’s Localized Diagnosis using 2D CNNs on 3D MRI brain scans

要約

この研究では、モデル決定の説明可能性を高めるために設計された 3D MRI を使用したアルツハイマー病診断の革新的な方法を紹介します。
私たちのアプローチはソフト アテンション メカニズムを採用しており、2D CNN が体積表現を抽出できるようにします。
同時に、意思決定における各スライスの重要性が学習され、ボクセルレベルのアテンションマップを生成して説明可能な MRI を生成できるようになります。
私たちの方法をテストし、結果の再現性を確認するために、アルツハイマー病神経画像イニシアチブ (ADNI) からの標準化された MRI データのコレクションを選択しました。
このデータセットでは、我々の方法は、(i) AD と認知正常 (CN) の区別において、精度 0.856、マシュー相関係数 (MCC) 0.712 という点で最先端の方法を大幅に上回っており、2.4% の改善と、
2番目に良いものよりそれぞれ5.3\%、(ii) 安定と進行性軽度認知障害(MCI)を識別する予後タスクにおいて、精度0.725およびMCC 0.443で、それぞれ10.2\%および20.5\%の改善を示した。
セカンドベストを超えています。
我々は、二重転移学習戦略を採用することでこの予後結果を達成しました。これにより、形態変化に対する感度が向上し、早期段階の AD 検出が容易になります。
私たちの方法は、ボクセルレベルの精度で、どの特定の領域が注目されているかを特定し、主な脳領域である \emph{海馬}、\emph{扁桃体}、\emph{傍海馬}、\emph{
下側脳室}。
これらすべての分野は臨床的にアルツハイマー病の発症に関連しています。
さらに、私たちのアプローチは、異なる交差検証フォールドにわたって同じアルツハイマー病関連領域を一貫して発見し、既知の疾患の病理学的マーカーと密接に一致する領域を強調表示するその堅牢性と精度を証明しました。

要約(オリジナル)

This study presents an innovative method for Alzheimer’s disease diagnosis using 3D MRI designed to enhance the explainability of model decisions. Our approach adopts a soft attention mechanism, enabling 2D CNNs to extract volumetric representations. At the same time, the importance of each slice in decision-making is learned, allowing the generation of a voxel-level attention map to produces an explainable MRI. To test our method and ensure the reproducibility of our results, we chose a standardized collection of MRI data from the Alzheimer’s Disease Neuroimaging Initiative (ADNI). On this dataset, our method significantly outperforms state-of-the-art methods in (i) distinguishing AD from cognitive normal (CN) with an accuracy of 0.856 and Matthew’s correlation coefficient (MCC) of 0.712, representing improvements of 2.4\% and 5.3\% respectively over the second-best, and (ii) in the prognostic task of discerning stable from progressive mild cognitive impairment (MCI) with an accuracy of 0.725 and MCC of 0.443, showing improvements of 10.2\% and 20.5\% respectively over the second-best. We achieved this prognostic result by adopting a double transfer learning strategy, which enhanced sensitivity to morphological changes and facilitated early-stage AD detection. With voxel-level precision, our method identified which specific areas are being paid attention to, identifying these predominant brain regions: the \emph{hippocampus}, the \emph{amygdala}, the \emph{parahippocampal}, and the \emph{inferior lateral ventricles}. All these areas are clinically associated with AD development. Furthermore, our approach consistently found the same AD-related areas across different cross-validation folds, proving its robustness and precision in highlighting areas that align closely with known pathological markers of the disease.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google