[论文解读] 3D Grid-Attention Networks for Interpretable Age and Alzheimer's Disease Prediction from Structural MRI

Pradeep Lam, Alyssa H. Zhu+3 more|arXiv (Cornell University)|Nov 18, 2020

AI in cancer detection被引用 14

一句话总结

本文提出一种3D网格注意力网络，通过在多个特征抽象层级整合空间感知注意力模块，提升了从结构磁共振成像（MRI）中可解释地预测年龄和阿尔茨海默病（AD）的能力。该模型在年龄和AD分类任务中均实现了高精度，同时生成显著性图显示，低层级特征在两项任务间重叠显著，而高层级特征更具任务特异性，为神经衰老与病理模式的差异提供了洞见。

ABSTRACT

We propose an interpretable 3D Grid-Attention deep neural network that can accurately predict a person's age and whether they have Alzheimer's disease (AD) from a structural brain MRI scan. Building on a 3D convolutional neural network, we added two attention modules at different layers of abstraction, so that features learned are spatially related to the global features for the task. The attention layers allow the network to focus on brain regions relevant to the task, while masking out irrelevant or noisy regions. In evaluations based on 4,561 3-Tesla T1-weighted MRI scans from 4 phases of the Alzheimer's Disease Neuroimaging Initiative (ADNI), salience maps for age and AD prediction partially overlapped, but lower-level features overlapped more than higher-level features. The brain age prediction network also distinguished AD and healthy control groups better than another state-of-the-art method. The resulting visual analyses can distinguish interpretable feature patterns that are important for predicting clinical diagnosis. Future work is needed to test performance across scanners and populations.

研究动机与目标

• 开发一种深度学习模型，以准确预测来自3D结构磁共振成像扫描的脑年龄和阿尔茨海默病状态。
• 通过注意力机制定位相关脑区，提升模型的可解释性。
• 研究用于年龄预测与AD分类的特征之间的重叠与差异。
• 解决现有模型可能因对年龄相关模式过拟合而对疾病不敏感的局限性。
• 为临床生物标志物开发，实现对不同抽象层级特征重要性的可视化分析。

提出的方法

• 模型采用3D卷积神经网络主干网络，包含四个卷积模块，每个模块包含3D卷积、批归一化、ReLU激活和平均池化。
• 在早期和晚期卷积模块之后分别插入两个3D网格注意力模块，基于任务相关的全局上下文动态加权空间特征。
• 注意力机制通过学习的线性变换、ReLU非线性激活和归一化计算注意力分数，生成空间对齐的特征权重。
• 从归一化的注意力分数生成显著性图，上采样至原始扫描分辨率，并使用二值脑掩码去除伪影。
• 在μ+1σ、μ+2σ和μ+0.5σ处对注意力图进行阈值化，以实现跨受试者和任务的显著区域比较。
• 使用Jaccard相似性度量不同特征抽象层级下年龄预测与AD分类的显著性图之间的重叠程度。

实验结果

研究问题

• RQ1 用于脑年龄预测的空间特征与用于阿尔茨海默病分类的特征有何异同？
• RQ2 低层级与高层级特征在年龄和AD预测任务中的显著性重叠程度如何？
• RQ3 注意力机制能否同时提升3D MRI基年龄和AD预测的准确率与可解释性？
• RQ4 该模型是否比最先进方法更有效地区分健康对照组与阿尔茨海默病患者？
• RQ5 特征复杂度如何影响年龄与疾病预测中脑区共享相关性？

主要发现

• 年龄预测与AD分类的显著性图在低层级特征中表现出显著重叠（第一组注意力模块在μ+0.5σ处的Jaccard分数为0.52），但在高层级特征中重叠较少（第二组模块在μ+0.5σ处的Jaccard分数为0.10）。
• 脑年龄预测网络在区分阿尔茨海默病患者与健康对照组方面优于最先进方法，表明其对病理变化具有更高的敏感性。
• 年龄预测依赖于广泛的脑区，而AD分类主要聚焦于脑室扩张，这是神经退行性变的典型标志。
• 模型的注意力机制成功突出了生物学上相关的区域，如海马体和脑室，与已知的衰老和AD神经解剖学一致。
• 阿尔茨海默病患者与健康对照组之间的显著性图重叠程度极低，表明特征相关性在不同诊断组间保持一致。
• 可视化分析表明，强制模型对年龄和疾病预测使用同一组小范围特征，可能是脑年龄差距常与AD病理混淆的原因。