[论文解读] Understanding 3D CNN Behavior for Alzheimer's Disease Diagnosis from Brain PET Scan

Jyoti Islam, Yanqing Zhang|arXiv (Cornell University)|Dec 10, 2019

Cell Image Analysis Techniques参考文献 16被引用 15

一句话总结

本文提出一种用于阿尔茨海默病（AD）诊断的3D卷积神经网络（3D-CNN），基于脑部PET扫描，并采用五种可视化技术——敏感性分析、引导反向传播、遮挡、脑区遮挡和逐层相关性传播（LRP）——来解释模型的决策过程。其主要贡献在于识别出3D-CNN主要关注颞叶，尤其是海马体，这与已知的AD生物标志物一致，从而增强了对自动化诊断系统可信度的支持。

ABSTRACT

In recent days, Convolutional Neural Networks (CNN) have demonstrated impressive performance in medical image analysis. However, there is a lack of clear understanding of why and how the Convolutional Neural Network performs so well for image analysis task. How CNN analyzes an image and discriminates among samples of different classes are usually considered as non-transparent. As a result, it becomes difficult to apply CNN based approaches in clinical procedures and automated disease diagnosis systems. In this paper, we consider this issue and work on visualizing and understanding the decision of Convolutional Neural Network for Alzheimer's Disease (AD) Diagnosis. We develop a 3D deep convolutional neural network for AD diagnosis using brain PET scans and propose using five visualizations techniques - Sensitivity Analysis (Backpropagation), Guided Backpropagation, Occlusion, Brain Area Occlusion, and Layer-wise Relevance Propagation (LRP) to understand the decision of the CNN by highlighting the relevant areas in the PET data.

研究动机与目标

• 为解决在医学图像分析中，特别是阿尔茨海默病（AD）诊断领域，3D-CNN模型可解释性不足的问题。
• 通过可视化特征相关性，理解3D-CNN如何利用脑部PET扫描进行分类决策。
• 比较多种可解释性技术在识别AD诊断中具有判别性的脑区方面的表现。
• 验证模型的关注区域是否与临床公认的AD生物标志物（如海马体萎缩）一致。
• 通过使深度学习模型透明化，支持可信临床决策支持系统的发展。

提出的方法

• 基于先前研究的3D-CNN架构，在ADNI数据库提供的1,230例脑部PET扫描（169例AD，661例MCI，400例CN）上进行训练。
• PET扫描经过非线性配准至ICBM152模板，去除颅骨，并归一化为193×229×193各向同性体素。
• 应用五种可视化技术：敏感性分析（反向传播）、引导反向传播、遮挡、脑区遮挡和逐层相关性传播（LRP）。
• 使用PyTorch训练模型，学习率为0.0001，每七个周期进行一次权重衰减0.1，批量大小为16。
• 在患者层面进行训练与测试集划分，以防止数据泄露。
• 对测试集中AD图像的每种可视化方法生成热力图，并进行平均，以比较空间相关性模式。

实验结果

研究问题

• RQ1 当使用PET扫描对阿尔茨海默病进行分类时，3D-CNN优先关注哪些脑区？
• RQ2 不同可视化技术（如基于梯度的方法与基于遮挡的方法）在突出AD诊断相关脑结构方面的表现如何比较？
• RQ3 模型的关注区域在多大程度上与已知的阿尔茨海默病生物标志物（如海马体萎缩）一致？
• RQ4 3D-CNN在使用PET数据进行AD诊断时，是否优于2D-CNN以更好地捕捉空间上下文？
• RQ5 像LRP和遮挡这样的可解释性技术能否提供可靠且一致的模型决策过程解释？

主要发现

• 3D-CNN在区分正常对照（CN）与阿尔茨海默病（AD）患者方面达到了88.76%的分类准确率，表现出强劲性能。
• 2D-CNN基线模型仅达到71.45%的准确率，表明3D-CNN更能有效捕捉体积PET数据中的空间上下文信息。
• 所有五种可视化方法均突出显示了颞叶，尤其是海马体，作为AD诊断中最相关的区域。
• 基于梯度的方法（如敏感性分析、引导反向传播）生成了分布式的相关性图，而基于遮挡的方法则聚焦于特定的、局部化的区域。
• LRP生成了最一致且最合理的相关性热力图，其中海马体内的体素对AD分类的相关性最高。
• 模型的关注区域与AD生物标志物的既定医学文献高度吻合，验证了该可解释性方法的有效性，且无需依赖真实标签注释。