論文の概要: Quantitative Evaluation of the Saliency Map for Alzheimer's Disease Classifier with Anatomical Segmentation
- arxiv url: http://arxiv.org/abs/2407.08546v1
- Date: Thu, 11 Jul 2024 14:30:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-12 17:00:06.519121
- Title: Quantitative Evaluation of the Saliency Map for Alzheimer's Disease Classifier with Anatomical Segmentation
- Title（参考訳）: 解剖学的セグメンテーションによるアルツハイマー病分類器の塩分マップの定量的評価
- Authors: Yihan Zhang, Xuanshuo Zhang, Wei Wu, Haohan Wang,
- Abstract要約: アルツハイマー病(AD)の深層学習分類器の解釈には、唾液マップが広く用いられている。
本稿では,解剖学的セグメンテーションを用いて,異なる脳領域に唾液価を割り当てる。
AD と NC (Normal Control) に対応する正当性マップの分布をプロットすることにより,モデルの決定過程を包括的に把握することができる。
- 参考スコア（独自算出の注目度）: 19.678873653172513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: サラレンシマップは、アルツハイマー病(AD)の深層学習分類器の解釈に広く用いられている。
しかし、ADは異種であり、複数のサブタイプがあるため、ADの病的メカニズムは未だ完全には理解されておらず、患者によって様々である。
このような理解が欠如しているため、AD分類器の精度マップを包括的かつ効果的に評価することは困難である。
本稿では,解剖学的セグメンテーションを用いて,異なる脳領域に唾液価を割り当てる。
AD と NC (Normal Control) に対応する正当性マップの分布をプロットすることにより,モデルの決定過程を包括的に把握することができる。
疾患進行中のAD患者において脳の容積収縮が起こるという事実を活用するため,脳の容積変化の平均Pearson相関を計算し,脳の容積変化スコア(VCS)という新たな評価基準を定義した。
このように、VCSメトリックは、異なるモデルから得られた唾液マップが脳全体の異なる領域にわたる体積の変化にどのように関係するかについての知識を得るのに役立ちます。
私たちはADNIデータセットの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。
我々の結果は次のとおりである。
(i) 高いVCSを持つモデルは、AD病理に関連したより詳細なサリエンシマップを示す傾向がある。
(II) FGSMや確率マスキングのような勾配に基づく逆行訓練戦略を用いることで、モデルのVCSを改善することができる。
関連論文リスト
- Graph Theory and GNNs to Unravel the Topographical Organization of Brain Lesions in Variants of Alzheimer's Disease Progression [0.0]
我々は,アルツハイマー病(AD)神経病理の変動を評価するためのグラフベースの枠組みを提案し,評価した。
我々のフレームワークは、古典的(cAD)および急激な(rpAD)進行形式に焦点を当てている。
結果は,各AD変異体に特有の神経病理学的ネットワーク構造が示唆された。
論文 参考訳（メタデータ） (2024-03-01T16:16:51Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳（メタデータ） (2023-03-07T09:40:22Z) - Normative Modeling via Conditional Variational Autoencoder and
Adversarial Learning to Identify Brain Dysfunction in Alzheimer's Disease [10.302206705998563]
アルツハイマー病(AD)の脳機能障害を同定するために、条件付き変分オートエンコーダと対向学習(ACVAE)を組み合わせた新しい規範的モデリング法を提案する。
OASIS-3データベースを用いた実験により,本モデルが生成する偏差マップは,他の深部規範モデルと比較してADに対する感度が高いことが示された。
論文 参考訳（メタデータ） (2022-11-13T07:36:30Z) - XADLiME: eXplainable Alzheimer's Disease Likelihood Map Estimation via
Clinically-guided Prototype Learning [3.286378299443229]
3次元sMRI上でのAD進行モデリングのためのXADLiMEを用いた新しい深層学習手法を提案する。
具体的には,ADスペクトル多様体を探索し,潜在臨床特徴のクラスタ上にトポロジカル・アウェア・プロトタイプのセットを構築した。
次に,潜在臨床特徴と確立されたプロトタイプとの類似性を測定し,擬似可能性マップを推定した。
論文 参考訳（メタデータ） (2022-07-27T00:25:55Z) - Building Brains: Subvolume Recombination for Data Augmentation in Large
Vessel Occlusion Detection [56.67577446132946]
この戦略をデータから学ぶためには、標準的なディープラーニングベースのモデルに対して、大規模なトレーニングデータセットが必要である。
そこで本研究では, 異なる患者から血管木セグメントを組換えることで, 人工的なトレーニングサンプルを生成する方法を提案する。
拡張スキームに則って,タスク固有の入力を入力した3D-DenseNetを用いて,半球間の比較を行う。
論文 参考訳（メタデータ） (2022-05-05T10:31:57Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z) - An explainable two-dimensional single model deep learning approach for
Alzheimer's disease diagnosis and brain atrophy localization [3.9281410693767036]
本稿では、アルツハイマー病(AD)の自動診断と、sMRIデータから、この疾患に関連する重要な脳領域の局所化について、エンドツーエンドのディープラーニングアプローチを提案する。
提案手法は,AD対認知正常(CN)とプログレッシブMCI(pMCI)と安定MCI(sMCI)の2つの分類タスクに対して,パブリックアクセス可能な2つのデータセットで評価されている。
実験結果から,本手法はマルチモデルや3次元CNN手法など,最先端の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-07-28T07:19:00Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z)
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。