机构名称：
¥ 1.0
卷积神经网络 (CNN) 逐渐被神经影像学界认可为图像分析的强大工具。尽管它们性能出色，但 CNN 功能的某些方面仍未得到人类操作员的充分理解。我们假设，通过研究 CNN 在输入已知特征的数据时的行为，可以提高应用于神经影像数据的 CNN 的可解释性。我们分析了 3D CNN 区分从扩散加权磁共振成像获得的原始和改变的全脑参数图的能力。改变包括线性改变每个脑体积中一个（单区域）或两个（双区域）解剖区域的体素强度，但不模仿任何神经病理学。通过进行十倍交叉验证并使用保留集进行测试，我们根据改变区域的强度评估了 CNN 的辨别能力，比较了后者的大小和相对位置。单区域 CNN 表明，修改的区域越大，实现良好性能所需的强度增加越小。双区域 CNN 的表现优于单区域 CNN，但在相应的单区域图像上进行测试时，只能检测到两个目标区域中的一个。利用训练数据的先验信息可以更好地理解 CNN 行为，尤其是在组合改变的区域时。这可以告知 CNN 模式检索的复杂性并阐明错误分类的示例，这对于病理数据尤其重要。所提出的分析方法可能有助于深入了解 CNN 行为并指导利用我们先验知识的增强检测系统的设计。
医学领域的人工智能
主要关键词
相关文件推荐
