MAD-Former:一个可追溯的可解释性模型,用于基于多补丁注意力识别的阿尔茨海默病识别.

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 诊断依赖于将结构磁共振成像 (sMRI) 与深度学习相结合.
• 现有的基于CNN的模型缺乏用于AD检测的多尺度分析和解释性.
• 识别受阿尔茨海默病影响的特定大脑区域对于准确诊断至关重要.

研究的目的:

• 开发一个可追溯的可解释性模型,用于使用多补丁注意力 (MAD-Former) 识别AD.
• 解决目前AD的深度学习模型中单个尺度分析的局限性和空间定位的缺乏.
• 为了提高自动化AD诊断的准确性和可解释性.

主要方法:

• 拟议的MAD-Former模型有两个部分:识别和解释性.
• 实施了3D大脑特征提取网络,用于本地特征.
• 设计了一个双分支的注意力结构,具有不同的补丁大小,用于多个规模的全球特征提取.
• 引入了一个注意力相似性位置损失函数.
• 开发了一种可追溯的方法,通过注意力选择和受感场面追踪来识别3D ROI空间.

主要成果:

• MAD-Former在ADNI和OASIS数据集上表现出色,用于AD识别任务.
• 该模型实现了可靠的解释性,识别了影响诊断决策的关键脑组织.
• 突出了状 (FuG) 在阿尔茨海默病识别中的重要作用.

结论:

• MAD-Former提供了一个强大的框架,用于使用sMRI进行多尺度特征提取和可解释的AD诊断.
• 该模型的可解释性有助于理解AD检测的神经解剖学的基础.
• 这种方法通过将高性能与透明的决策结合起来,推进了自动化AD诊断.