[논문 리뷰] Visual Explanations From Deep 3D Convolutional Neural Networks for Alzheimer's Disease Classification

Chengliang Yang, Anand Rangarajan외 1명|arXiv (Cornell University)|2018. 03. 07.

Cell Image Analysis Techniques참고 문헌 16인용 수 80

한 줄 요약

이 논문은 알츠하이머 병 진단에 사용되는 3D-CNN을 해석하기 위해 SA-3DUCM, 3D-CAM, 3D-Grad-CAM을 포함한 네 가지 시각적 설명 방법을 개발 및 비교하고, 알려진 뇌 영역에 대한 위치화 성능을 평가한다.

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.

연구 동기 및 목표

• 3D-CNN 기반 알츠하이머 분류의 투명성을 촉진하여 임상 신뢰를 높인다.
• 뇌 영역에 대한 계층적 분할 기반 민감도 분석 (SA-3DUCM) 개발.
• 2D CNN 설명 방법(CAM/Grad-CAM)을 3D MRI 데이터에 적용
• 판별 뇌 영역의 질적 및 양적 위치화를 비교한다.
• 설명 정확도와 분류 성능 사이의 균형(trade-off)을 평가한다.

제안 방법

• 시작점으로 3D-CNN에 대한 baseline voxel-occlusion 민감도 분석을 사용한다.
• SA-3DUCM: 다중 레벨에 걸친 의미론적으로 의미 있는 뇌 세그먼트를 차단하기 위해 계층적 3D ultrametric contour map 세분화.
• 3D-CAM: 마지막 컨볼루션 층의 글로벌 평균 풀링(GAP) 계층을 추가하여 3D 히트맵을 생성하는 클래스 활성 매핑 확장.
• 3D-Grad-CAM: 마지막 층 활성에 대한 AD 점수의 그래디언트를 사용하여 재학습 없이 3D로 확장된 그래디언트 가중치 클래스 활성 매핑에 확장.
• ADNI 데이터셋의 MRI 데이터를 사용한 알츠하이머 대 정상 대조군 간의 비교 평가; 질적 히트맵 시각화 및 정량적 위치화 벤치마킹.

실험 결과

연구 질문

• RQ1 각 설명 방법이 3D MRI 데이터에서 알츠하이머 분류에 중요하다고 식별한 뇌 영역은 무엇인가?
• RQ2 로컬라이제이션 정확도와 해부학적 의미성 측면에서 SA-3DUCM, 3D-CAM, 3D-Grad-CAM의 비교는 어떠한가?
• RQ3 방법 간의 설명 품질과 분류 성능 영향 간의 트레이드오프는 무엇인가?
• RQ4 제안된 설명이 상관관계가 있는 뇌 영역(예: 느슨하게 분포된 대뇌 피질)도 효과적으로 처리할 수 있는가?

주요 결과

• 네 가지 접근 방식 모두 알츠하이머 진단과 관련된 뇌 부위를 강조하지만 강점이 다르다.
• SA-3DUCM은 균질한 영역을 구분하고 좌측 뇌실을 강조하지만 느슨하게 분포된 피질에는 어려움을 보인다.
• 3D-CAM과 3D-Grad-CAM은 피질과 뇌실의 로컬라이제이션을 제공하지만 합성 계층 해상도에 의존하며; 재학습 없이도 3D-Grad-CAM은 종종 더 높은 품질의 히트맵을 산출한다.
• 3D-VGGNet과 3D-ResNet은 글로벌 평균 풀링(GAP) 계층을 사용하는 변종들보다 더 높은 분류 성능을 달성한다.
• 3D-Grad-CAM-Shallow는 마지막 컨볼루션 층만 사용하는 것보다 더 높은 해상도의 로컬라이제이션을 제공하면서 재-training을 피한다.
• 정량적 위치화 벤치마킹은 방법 간 정밀도-재현율이 다르게 나타나며, SA-3DUCM 및 Grad-CAM 얕은 변형이 낮은 재현율에서 가장 잘 수행하고, 모든 방법은 고재현율에서 고유의 한계로 인해 정밀도가 떨어진다.