[论文解读] sMRI-PatchNet: A novel explainable patch-based deep learning network for Alzheimer's disease diagnosis and discriminative atrophy localisation with Structural MRI

Xin Zhang, Liangxiu Han+4 more|arXiv (Cornell University)|Feb 17, 2023

Functional Brain Connectivity StudiesNeuroscience参考文献 90被引用 3

一句话总结

该论文提出sMRI-PatchNet，一种新颖的可解释性基于图像块的深度学习框架，用于使用结构磁共振成像（sMRI）进行阿尔茨海默病（AD）诊断及萎缩区域定位。该方法采用基于SHAP的图像块选择技术识别具有判别性的脑区，并利用带有位置嵌入的2D卷积神经网络对AD进行分类并预测MCI转化，实现高精度与低计算成本。

ABSTRACT

Structural magnetic resonance imaging (sMRI) can identify subtle brain changes due to its high contrast for soft tissues and high spatial resolution. It has been widely used in diagnosing neurological brain diseases, such as Alzheimer disease (AD). However, the size of 3D high-resolution data poses a significant challenge for data analysis and processing. Since only a few areas of the brain show structural changes highly associated with AD, the patch-based methods dividing the whole image data into several small regular patches have shown promising for more efficient sMRI-based image analysis. The major challenges of the patch-based methods on sMRI include identifying the discriminative patches, combining features from the discrete discriminative patches, and designing appropriate classifiers. This work proposes a novel patch-based deep learning network (sMRI-PatchNet) with explainable patch localisation and selection for AD diagnosis using sMRI. Specifically, it consists of two primary components: 1) A fast and efficient explainable patch selection mechanism for determining the most discriminative patches based on computing the SHapley Additive exPlanations (SHAP) contribution to a transfer learning model for AD diagnosis on massive medical data; and 2) A novel patch-based network for extracting deep features and AD classfication from the selected patches with position embeddings to retain position information, capable of capturing the global and local information of inter- and intra-patches. This method has been applied for the AD classification and the prediction of the transitional state moderate cognitive impairment (MCI) conversion with real datasets.

研究动机与目标

• 通过基于图像块的分析降低计算复杂度，以应对阿尔茨海默病诊断中高维3D sMRI数据的挑战。
• 通过实现自动、数据驱动的判别性病理脑区识别，克服固定ROI方法和体素级方法的局限性。
• 开发一种可解释的图像块选择机制，利用SHAP值识别对AD诊断最相关的图像块。
• 设计一种轻量化、高效的深度学习模型，保留空间上下文信息，以最少的参数和计算量实现高性能分类。
• 通过在整个大脑范围内定位判别性萎缩模式，提升模型的泛化能力与临床可解释性。

提出的方法

• 采用快速递归划分扰动方法高效估算SHAP值，实现对整个sMRI体积中最具判别性的3D图像块的可解释性选择。
• 所提出的sMRI-PatchNet采用带有可学习位置嵌入的2D卷积神经网络，以保留所选图像块之间的空间关系。
• 模型从所选图像块中提取深层特征，并通过迁移学习实现AD与NC、pMCI与sMCI的端到端分类。
• 图像块选择基于预训练迁移学习模型的SHAP贡献分数，确保仅使用最相关的图像块进行最终分类。
• 该方法避免依赖预定义的解剖学ROI或手工设计特征，实现病理区域的数据驱动发现。
• 通过使用2D卷积而非3D卷积实现计算效率，将计算复杂度降低至2.21 GMac。

Figure 1: The flowchart of the proposed method

实验结果

研究问题

• RQ1 基于图像块的深度学习框架结合可解释的图像块选择，是否能在sMRI的AD诊断中超越现有最先进方法？
• RQ2 基于SHAP的图像块选择是否能有效识别与AD及MCI转化相关的最具判别性的脑区，同时显著减少所用图像块数量？
• RQ3 在2D卷积神经网络中引入位置嵌入是否能有效保留空间上下文信息，并相比标准图像块模型提升分类性能？
• RQ4 与基于3D-CNN的模型相比，所提出方法是否能在显著降低计算复杂度的同时实现高精度？
• RQ5 该模型在独立数据集上的泛化能力如何？是否能提供临床可解释的萎缩模式定位？

主要发现

• 所提方法在AD与正常对照（AD vs. NC）分类中达到92%的准确率，优于所有五种最先进方法。
• 在从无症状MCI（pMCI）进展为轻度MCI（sMCI）的预测中，模型准确率达到86%，展现出在早期疾病阶段预测中的强大性能。
• 仅使用36个具有判别性的图像块，相比统计方法（140个图像块）减少了超过70%的图像块数量，显著降低计算成本。
• sMRI-PatchNet的计算复杂度为2.21 GMac，远低于Med3D（169.55 GMac）、HFCN（240.73 GMac）和DA-MIDL（220.63 GMac），尽管参数量相近。
• 所选图像块的可视化结果表明，模型成功定位了已知的萎缩区域，如海马体和后扣带皮层，显著增强了临床可解释性。
• 模型在独立数据集上表现出强泛化能力，在减少图像块使用的情况下仍保持高性能，且未出现过拟合现象。

Figure 2: The flowchart of the fast recursive partition XAI method