論文の概要: Improving 3D convolutional neural network comprehensibility via
interactive visualization of relevance maps: Evaluation in Alzheimer's
disease
- arxiv url: http://arxiv.org/abs/2012.10294v3
- Date: Wed, 3 Mar 2021 16:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 18:03:10.601880
- Title: Improving 3D convolutional neural network comprehensibility via
interactive visualization of relevance maps: Evaluation in Alzheimer's
disease
- Title(参考訳): 関連地図のインタラクティブ可視化による3次元畳み込みニューラルネットワークの理解性の向上:アルツハイマー病における評価
- Authors: Martin Dyrba, Moritz Hanzig, Slawek Altenstein, Sebastian Bader,
Tommaso Ballarini, Frederic Brosseron, Katharina Buerger, Daniel Cantr\'e,
Peter Dechent, Laura Dobisch, Emrah D\"uzel, Michael Ewers, Klaus Fliessbach,
Wenzel Glanz, John D. Haynes, Michael T. Heneka, Daniel Janowitz, Deniz Baris
Keles, Ingo Kilimann, Christoph Laske, Franziska Maier, Coraline D. Metzger,
Matthias H. Munk, Robert Perneczky, Oliver Peters, Lukas Preis, Josef
Priller, Boris Rauchmann, Nina Roy, Klaus Scheffler, Anja Schneider, Bj\"orn
H. Schott, Annika Spottke, Eike J. Spruth, Marc-Andr\'e Weber, Birgit
Ertl-Wagner, Michael Wagner, Jens Wiltfang, Frank Jessen, Stefan J. Teipel
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、磁気共鳴イメージング(MRI)スキャンに基づいてアルツハイマー病(AD)認知症を検出する高い診断精度を実現します。
この理由の1つは、モデル理解性の欠如である。
より精度の高いモデルは、事前知識によって事前に定義された差別的脳領域にも依存するかどうかを検討した。
- 参考スコア(独自算出の注目度): 0.8031935951075242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although convolutional neural networks (CNN) achieve high diagnostic accuracy
for detecting Alzheimer's disease (AD) dementia based on magnetic resonance
imaging (MRI) scans, they are not yet applied in clinical routine. One
important reason for this is a lack of model comprehensibility. Recently
developed visualization methods for deriving CNN relevance maps may help to
fill this gap. We investigated whether models with higher accuracy also rely
more on discriminative brain regions predefined by prior knowledge. We trained
a CNN for the detection of AD in N=663 T1-weighted MRI scans of patients with
dementia and amnestic mild cognitive impairment (MCI) and verified the accuracy
of the models via cross-validation and in three independent samples including
N=1655 cases. We evaluated the association of relevance scores and hippocampus
volume to validate the clinical utility of this approach. To improve model
comprehensibility, we implemented an interactive visualization of 3D CNN
relevance maps. Across three independent datasets, group separation showed high
accuracy for AD dementia vs. controls (AUC$\geq$0.92) and moderate accuracy for
MCI vs. controls (AUC$\approx$0.75). Relevance maps indicated that hippocampal
atrophy was considered as the most informative factor for AD detection, with
additional contributions from atrophy in other cortical and subcortical
regions. Relevance scores within the hippocampus were highly correlated with
hippocampal volumes (Pearson's r$\approx$-0.81). The relevance maps highlighted
atrophy in regions that we had hypothesized a priori. This strengthens the
comprehensibility of the CNN models, which were trained in a purely data-driven
manner based on the scans and diagnosis labels. The high hippocampus relevance
scores and high performance achieved in independent samples support the
validity of the CNN models in the detection of AD-related MRI abnormalities.
- Abstract(参考訳): 畳み込み型ニューラルネットワーク(CNN)は,MRI(MRI)によるアルツハイマー病(AD)認知症の検出に高い診断精度が得られたが,まだ臨床検査には適用されていない。
この理由の1つは、モデル理解性の欠如である。
最近開発されたCNN関連マップの可視化手法は,このギャップを埋めるのに役立つかもしれない。
より精度の高いモデルは、事前知識によって事前に定義された差別的脳領域にも依存するかどうかを検討した。
認知症および健常性軽度認知障害 (MCI) のMRIでAD検出のためにCNNを訓練し, クロスバリデーションおよびN=1655例を含む3つの独立した検体でモデルの精度を検証した。
本手法の臨床的有用性を検証するため,海馬容積と関連スコアの関連性を検討した。
モデル理解性を改善するために,3次元CNN関連マップのインタラクティブな可視化を行った。
3つの独立したデータセットで、グループ分離はAD認知症対コントロール(AUC$\geq$0.92)とMCI対コントロール(AUC$\approx$0.75)の適度な精度を示した。
関連地図では、海馬萎縮がAD検出の最も有意義な要因と考えられ、他の皮質および皮質下領域の萎縮の寄与も見られた。
海馬内の関連スコアは海馬の体積と強く相関していた(Pearson's r$\approx$-0.81)。
関連地図は、先験を仮定した地域における萎縮を強調した。
これにより、スキャンと診断ラベルに基づいて純粋にデータ駆動で訓練されたCNNモデルの理解性が向上する。
AD関連MRIの異常検出におけるCNNモデルの妥当性は, 海馬関連度の高いスコアと, 独立サンプルで達成されたハイパフォーマンスが有効である。
関連論文リスト
- Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。
本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文 参考訳(メタデータ) (2024-09-29T07:04:26Z) - AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。
提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。
ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
論文 参考訳(メタデータ) (2024-07-02T16:44:00Z) - A Demographic-Conditioned Variational Autoencoder for fMRI Distribution Sampling and Removal of Confounds [49.34500499203579]
変動型オートエンコーダ(VAE)ベースのモデルであるDemoVAEを作成し、人口統計学から fMRI の特徴を推定する。
ユーザが供給する人口動態に基づいて,高品質な合成fMRIデータを生成する。
論文 参考訳(メタデータ) (2024-05-13T17:49:20Z) - The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease
detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。
我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。
このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文 参考訳(メタデータ) (2023-09-13T10:40:41Z) - Behavior Score-Embedded Brain Encoder Network for Improved
Classification of Alzheimer Disease Using Resting State fMRI [36.40726715739385]
本稿では、日常的に管理される心理検査情報を、被験者の静止状態fMRIデータの符号化手順に統合する行動スコア埋め込みエンコーダネットワーク(BSEN)を提案する。
BSENは、MMSE(MiniMental State Examination)とCDR(Citical Dementia Rating)の行動スコアを併用した3次元畳み込み自己エンコーダ構造に基づく。
提案するBSENを用いた分類フレームワークは, 総合的認識精度59.44%(AD, MCI, Healthy Control)を達成し, 健康管理(HC)と健康管理(HC)の最も差別的な領域を抽出した。
論文 参考訳(メタデータ) (2022-11-04T09:58:45Z) - White Matter Tracts are Point Clouds: Neuropsychological Score
Prediction and Critical Region Localization via Geometric Deep Learning [68.5548609642999]
ホワイトマタートラクトデータを用いた神経心理学的スコア予測のためのディープラーニングに基づくフレームワークを提案する。
各点の微細構造測定を行う点雲として, arcuate fasciculus (AF) を表現した。
Paired-Siamese Lossでは,連続した神経心理学的スコアの違いに関する情報を利用した予測性能を改善した。
論文 参考訳(メタデータ) (2022-07-06T02:03:28Z) - Is a PET all you need? A multi-modal study for Alzheimer's disease using
3D CNNs [3.678164468512092]
アルツハイマー病(Alzheimer's Disease, AD)は、認知症の最も一般的な形態であり、認知症の多因子因果関係により診断が困難であることが多い。
神経画像を用いた深部神経ネットワーク(DNN)を用いたコンピュータ支援診断の最近の研究は、構造的磁気共鳴画像(sMRI)とフルオロデオキシグルコースポジトロン放射断層撮影(FDG-PET)を融合させることにより、ADの健康管理と被験者の集団において精度が向上することを示した。
今後のマルチモーダル融合の取り組みは,提案した評価枠組みに従って,個別のモダリティの貢献を体系的に評価すべきである,と論じる。
論文 参考訳(メタデータ) (2022-07-05T14:55:56Z) - CNN-based fully automatic wrist cartilage volume quantification in MR
Image [55.41644538483948]
追加の注意層を持つU-net畳み込みニューラルネットワークは、最高の手首軟骨分割性能を提供する。
非MRI法を用いて軟骨体積測定の誤差を独立に評価すべきである。
論文 参考訳(メタデータ) (2022-06-22T14:19:06Z) - Deep Convolutional Neural Network based Classification of Alzheimer's
Disease using MRI data [8.609787905151563]
アルツハイマー病(Alzheimer's disease、AD)は、脳細胞を破壊し、患者の記憶に損失を引き起こす進行性および不治性の神経変性疾患である。
本稿では,不均衡な3次元MRIデータセットを用いた2次元深部畳み込みニューラルネットワーク(2D-DCNN)によるADの診断手法を提案する。
このモデルはMRIをAD、軽度認知障害、正常制御の3つのカテゴリに分類し、99.89%の分類精度を不均衡クラスで達成した。
論文 参考訳(メタデータ) (2021-01-08T06:51:08Z) - An anatomically-informed 3D CNN for brain aneurysm classification with
weak labels [0.2010294990327175]
弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。
当社のアプローチは,データセット生成の非自明な課題に端を発しています。
本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
論文 参考訳(メタデータ) (2020-11-27T08:00:54Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2020-10-14T16:50:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。