[論文レビュー] Visual Explanations From Deep 3D Convolutional Neural Networks for Alzheimer's Disease Classification

Chengliang Yang, Anand Rangarajan+1 more|arXiv (Cornell University)|Mar 7, 2018

Cell Image Analysis Techniques参考文献 16被引用数 80

ひとこと要約

この論文は、脳MRIからアルツハイマー病の分類に用いられる3D-CNNを解釈するための4つの視覚的説明法を開発・比較し、SA-3DUCM、3D-CAM、3D-Grad-CAMを含む、既知の脳領域と照合して局在性能を評価する。

ABSTRACT

We develop three efficient approaches for generating visual explanations from 3D convolutional neural networks (3D-CNNs) for Alzheimer's disease classification. One approach conducts sensitivity analysis on hierarchical 3D image segmentation, and the other two visualize network activations on a spatial map. Visual checks and a quantitative localization benchmark indicate that all approaches identify important brain parts for Alzheimer's disease diagnosis. Comparative analysis show that the sensitivity analysis based approach has difficulty handling loosely distributed cerebral cortex, and approaches based on visualization of activations are constrained by the resolution of the convolutional layer. The complementarity of these methods improves the understanding of 3D-CNNs in Alzheimer's disease classification from different perspectives.

研究の動機と目的

• 3D-CNNベースのアルツハイマー分類における透明性の促進を動機づけ、臨床的信頼を支援する。
• 脳領域の階層的でセグメンテーションベースの感度解析（SA-3DUCM）の開発。
• 2D-CNNの説明法（CAM/Grad-CAM）を3D MRIデータに適用・適応。
• 識別的な脳領域の定性的および定量的な局在を比較。
• 説明の忠実度と分類性能のトレードオフを評価。

提案手法

• 出発点として3D-CNNの基礎的なボクセルオクルージョン感度解析。
• SA-3DUCM:階層的3D超距離輪郭マップセグメンテーションで、複数レベルにわたり意味的に意味のある脳セグメントを遮蔽。
• 3D-CAM: 最後の畳み込み層にグローバル平均プーリング層を追加して3Dヒートマップを生成するようにクラス活性化マッピングを拡張。
• 3D-Grad-CAM: 最終層の活性に対する勾配を用いて、再学習なしで3Dに拡張する。ADスコアの勾配を用いる。
• ADNIデータセットのMRIを用いたアルツハイマー病と正常対照の比較評価；定性的なヒートマップ可視化と定量的な局在ベンチマーク。

実験結果

リサーチクエスチョン

• RQ1 3D MRIデータにおけるアルツハイマー病分類のために、それぞれの説明法が重要であると特定する脳領域はどこか？
• RQ2 局在精度と解剖学的意味性の観点から、SA-3DUCM、3D-CAM、3D-Grad-CAMはどのように比較されるか？
• RQ3 方法間で説明品質と分類性能への影響のトレードオフは？
• RQ4 提案された説明は、相関した脳領域（例: 緩やかに分布した大脳皮質）のような領域を効果的に扱えるか？

主な発見

手法	AUC	ACC
3D-VGGNet	0.863 ± 0.056	0.766 ± 0.095
3D-ResNet	0.854 ± 0.079	0.794 ± 0.070
3D-ResNet-GAP	0.643 ± 0.110	0.614 ± 0.100
3D-ResNet-Shallow-GAP	0.751 ± 0.083	0.585 ± 0.122

• 4つのアプローチはいずれもアルツハイマー病診断に関連する脳部位を強調するが、強みはそれぞれ異なる。
• SA-3DUCMは同質な領域を識別し側脳室を強調する一方、緩やに分布した皮質には難がある。
• 3D-CAMと3D-Grad-CAMは皮質と脳室の局在を提供するが、畳み込み層の解像度に依存する；3D-Grad-CAMは再学習なしでしばしばより高品質なヒートマップを得る。
• 3D-VGGNetと3D-ResNetはGAPを用いた派生よりも高い分類性能を達成する。
• 3D-Grad-CAM-Shallowは最後の畳み込み層だけを用いるより分解能の高い局在を提供しつつ再訓練を回避する。
• 定量的局在ベンチマークは方法間で適合率-再現率が異なることを示し、低再現率でSA-3DUCMとGrad-CAM Shallow変種が最良を示す。一方、高再現率では固有の制約のため精度が低下する。