从静止状态fMRI进行深度特征的选择,可视化和解释,用于阿尔茨海默病诊断

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:

• 深度学习模型在神经成像分析方面表现出色,但面临解释性挑战,限制了临床采用.
• 了解这些模型的决策过程对于可靠的临床应用至关重要.

研究的目的:

• 为了可视化和解释休息状态功能性MRI (rs-fMRI) 的深度特征,用于阿尔茨海默病的检测.
• 为了确定特定的深层特征,表明阿尔茨海默氏症的病理.
• 探索深度特征可视化的潜力,以评估诊断中的模型解释性.

主要方法:

• 利用了来自阿尔茨海默病神经成像计划 (ADNI) 数据库的rs-fMRI数据.
• 应用深度学习技术来分析rs-fMRI图像.
• 在整个幻灯片图像层面上使用热图和激活图来可视化深度特征.

主要成果:

• 确定了一组"信息深度特征"的子集,能够将认知正常的个人与阿尔茨海默病患者区分开来.
• 视觉化显示了与阿尔茨海默病相关的独特病理模式,跨不同级别的rs-fMRI数据.
• 克服了类似的大脑缩和图像强度模式所带来的挑战.

结论:

• 对rs-fMRI数据的深度特征可视化为阿尔茨海默病病理学提供了宝贵的见解.
• 识别的信息深度特征显示了对阿尔茨海默氏症和可能其他中枢神经系统疾病的诊断潜力.
• 拟议的框架可以提高临床诊断决策的深度学习模型的可解释性.