[论文解读] 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 80

一句话总结

本文开发并比较了四种视觉解释方法，以解释用于阿尔茨海默病分类的3D-CNN在脑部MRI上的表现，其中包括 SA-3DUCM、3D-CAM 和 3D-Grad-CAM，并评估它们的定位性能与已知脑区域的吻合度。

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.

研究动机与目标

• 在基于3D-CNN的阿尔茨海默病分类中推动透明度以帮助临床信任。
• 开发基于分层、分割的敏感性分析（SA-3DUCM）以对脑区域进行分层遮蔽。
• 将2D CNN解释方法（CAM/Grad-CAM）应用于3D MRI数据。
• 比较区分性脑区域的定性和定量定位。
• 评估解释保真度与分类性能之间的权衡。

提出的方法

• 作为起点，基线体素遮蔽敏感性分析用于3D-CNN。
• SA-3DUCM：分层的3D超距轮廓图分割，用以在多个层级遮蔽语义上有意义的脑片段。
• 3D-CAM：在最后一层卷积层上扩展类别激活映射，加入全局平均池化层以生成3D热力图。
• 3D-Grad-CAM：通过对最后一层激活的梯度对AD分数进行求梯度权重的映射，在不重新训练的情况下扩展到3D。
• 在ADNI数据集的MRI数据上对阿尔茨海默病组与正常对照组进行定性热力图可视化和定量定位基准测试。

实验结果

研究问题

• RQ1 每种解释方法在3D MRI数据上识别出哪些对阿尔茨海默病分类重要的脑区域？
• RQ2 SA-3DUCM、3D-CAM 和 3D-Grad-CAM 在定位准确性和解剖学意义方面的比较如何？
• RQ3 在方法之间，解释质量与对分类性能的影响之间存在哪些权衡？
• RQ4 提出的解释是否能够有效处理相关脑区域（例如分布较广的大脑皮质）？

主要发现

• 所有四种方法都强调与阿尔茨海默病诊断相关的脑区，具备不同的优点。
• SA-3DUCM 能区分同质区域并突出显示侧脑室；在分布松散的皮质区域方面存在困难。
• 3D-CAM 与 3D-Grad-CAM 提供对皮质和脑室的定位，但受限于卷积层分辨率；在不重新训练的情况下，3D-Grad-CAM 常能产生更高质量的热力图。
• 3D-VGGNet 与 3D-ResNet 的分类性能高于使用全局平均池化层（GAP）的变体。
• 3D-Grad-CAM-Shallow 在不重新训练的前提下，提供比仅使用最后一层卷积层更高分辨率的定位。
• 定量定位基准测试显示各方法在精确率-召回率方面存在差异，SA-3DUCM 与 Grad-CAM 的浅层变体在低召回率时表现最佳；在高召回率时均因固有局限性而导致精确度下降。