神经图像深度学习中的解剖学解释性:典型衰老和创伤性脑损伤的突出方法
Kevin H Guo1,2, Nikhil N Chaudhari2,3, Tamara Jafar2,4
1Thomas Lord Department of Computer Science, Viterbi School of Engineering, University of Southern California, Los Angeles, CA, 90089, USA.
Neuroinformatics
|November 6, 2024
概括
集成梯度最能解释大脑年龄估计的深度神经网络. 这种方法准确地定位了衰老特征,与其他集中在大脑外或不那么一致的方法不同.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 深度神经网络 (DNN) 为分析医疗图像 (如MRI) 提供了强大的工具.
- DNN的"黑盒子"性质阻碍了信任和临床采用.
- 突出地图对于通过突出显示相关图像特征来解释DNN决策至关重要.
研究的目的:
- 为了比较七种显著性方法来解释DNN,从MRI估计生物大脑年龄 (BA).
- 评估这些方法在认知正常的成年人和轻度创伤性脑损伤 (mTBI) 患者中的神经解剖学解释性.
- 为了确定理解大脑衰老模式的最可靠的突出性方法.
主要方法:
- 训练有素的DNN使用MRI数据估计BA从13,394认知正常的成年人.
- 使用七种基于归因的方法生成突出地图.
- 对已知的衰老神经解剖特征和mTBI病例进行评估的突出性图的准确性.
主要成果:
- 综合梯度可靠地确定了大脑衰老的关键神经解剖特征,优于其他方法.
- 沙普利梯度,输入 × 梯度和掩盖梯度显示的一致性较小,但突出显示了诸如心室扩张等衰老特征.
- 像指导逆向传播这样的方法在大脑外局部化突,表明效用较低.
结论:
- 集成梯度为基于DNN的大脑年龄估计提供了卓越的神经解剖学解释性.
- 了解突出性方法之间的权衡对于在神经科学和临床环境中可靠的DNN应用至关重要.
- Saliency 地图的性能各不相同,集成梯度是脑成像应用中最有前途的.
