Quantitative Evaluation of the Saliency Map for Alzheimer’s Disease Classifier with Anatomical Segmentation

要約

顕著性マップは、アルツハイマー病 (AD) の深層学習分類器を解釈するために広く使用されています。
しかし、AD は不均一であり、複数のサブタイプがあるため、AD の病理学的メカニズムはまだ完全には理解されておらず、患者ごとに異なる可能性があります。
このような理解が不足しているため、AD 分類器の顕著性マップを包括的かつ効果的に評価することは困難です。
この論文では、解剖学的セグメンテーションを利用して、顕著性値を異なる脳領域に割り当てます。
AD と NC (Normal Control) に対応する顕著性マップの分布をプロットすることで、モデルの意思決定プロセスの包括的なビューを得ることができます。
アルツハイマー病患者では疾患の進行中に脳容積の縮小が起こるという事実を利用するために、脳容積変化の平均ピアソン相関と顕著性値を計算することにより、新しい評価指標である脳容積変化スコア (VCS) を定義します。
患者ごとに異なる脳領域のモデル。
したがって、VCS メトリクスは、さまざまなモデルから得られる顕著性マップが脳全体のさまざまな領域にわたる体積の変化にどのように関連しているかについての知識を得るのに役立ちます。
ADNI データセットで候補モデルをトレーニングし、3 つの異なるデータセットでテストしました。
我々の結果は、(i) より高い VCS を持つモデルは、AD の病態に関連するより詳細な顕著性マップを示す傾向がある、(ii) FGSM や確率的マスキングなどの勾配ベースの敵対的トレーニング戦略を使用すると、モデルの VCS を改善できることを示しています。

要約(オリジナル)

Saliency maps have been widely used to interpret deep learning classifiers for Alzheimer’s disease (AD). However, since AD is heterogeneous and has multiple subtypes, the pathological mechanism of AD remains not fully understood and may vary from patient to patient. Due to the lack of such understanding, it is difficult to comprehensively and effectively assess the saliency map of AD classifier. In this paper, we utilize the anatomical segmentation to allocate saliency values into different brain regions. By plotting the distributions of saliency maps corresponding to AD and NC (Normal Control), we can gain a comprehensive view of the model’s decisions process. In order to leverage the fact that the brain volume shrinkage happens in AD patients during disease progression, we define a new evaluation metric, brain volume change score (VCS), by computing the average Pearson correlation of the brain volume changes and the saliency values of a model in different brain regions for each patient. Thus, the VCS metric can help us gain some knowledge of how saliency maps resulting from different models relate to the changes of the volumes across different regions in the whole brain. We trained candidate models on the ADNI dataset and tested on three different datasets. Our results indicate: (i) models with higher VCSs tend to demonstrate saliency maps with more details relevant to the AD pathology, (ii) using gradient-based adversarial training strategies such as FGSM and stochastic masking can improve the VCSs of the models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google