PINet:特权信息提高了结构性MRI在阿尔茨海默病中的解释性和概括性

科学领域:

• 神经成像和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) 导致不可逆转的大脑缩,导致认知和行为衰退.
• 卷积神经网络 (CNN) 分类器有助于早期的AD诊断,但通常充当黑子,使用有限的MRI数据和临床见解.
• 现有的方法缺乏可解释性,并且难以在不同的数据采集参数上进行概括.

研究的目的:

• 提出PINet,一个整合领域知识作为特权信息 (PI) 的框架,以增强基于CNN的AD诊断.
• 通过结合临床发现,提高诊断模型的解释性和概括能力.
• 用结构性MRI扫描来证明Pinet在使用结构性MRI扫描对阿尔茨海默病的分类方面的有效性.

主要方法:

• 开发了PINet,这是一个框架,将先前的域名知识视为特权信息 (PI).
• 使用类似变压器的特权信息融合 (PIF) 模块来关联图像和PI特征.
• 集成了一个金字塔特征可视化 (PFV) 模块,用于突出显著的图像特征并确保可解释性.
• 利用来自ADNI数据集的结构MRI数据,训练1.5T扫描和测试3T扫描,用像海马体这样的大脑结构作为PI.

主要成果:

• PINet在转移到新数据集 (3T扫描仪) 中表现出卓越的稳定性,F1得分仅下降了2% (0.9471至0.9231).
• 基线CNN方法显示了显著的性能下降,在相同的交叉扫描条件下,F1得分下降了29% (0.8679至0.6154).
• 使用12个ROI作为PI实现了最佳模型性能,特别是专注于叶和叶.

结论:

• PINet有效地将域名知识作为PI集成到CNN模型中,提高了解释性和概括性.
• 该框架显著提高了阿尔茨海默病诊断的稳定性,跨越不同MRI扫描仪场强度.
• 将特定的神经解剖学区域作为PI,例如叶和叶,优化了诊断性能.