机构名称：
¥ 1.0
进展[4]。FDG PET 的 3D 立体定向表面投影 (SSP) 通过将体积脑图像投影到预定义的表面并与健康对照组进行比较，将体积脑图像汇总为 2D 图像 [5]。尽管 3D SSP 已被视为改善痴呆症的视觉诊断，但其在自动图像分类中的使用却受到限制。由于 3D SSP 将脑图像中的切片减少为一些信息丰富的图像，我们假设它可以比使用体积 3D 脑图像实现更高的性能和更好的可解释性。据作者所知，3D SSP 版本的 FDG PET 脑图像尚未用于计算机辅助识别 MCI 进展。在使用具有长短期记忆的随机森林对稳定性和进展性 MCI 进行分类时，报告的分类准确率为 82.6%，灵敏度为 84.8% [ 6 ]（与逻辑回归、支持向量机和低密度分离相比，这是最佳结果）。尽管用于识别有发展为 AD 风险的 MCI 患者的自动化方法很有前景，但其性能仍然很低。此外，虽然基于特征归因的替代模型解释已用于自动 AD 诊断 [ 7 ]，非特征归因解释已用于医学图像 [ 8 ]，但由于数据集的体积特性，使用脑图像的 MCI 进展识别模型的可解释性仍然是一个挑战。此外，尽管一些研究已经使用专家注释量化了计算机辅助放射学诊断解释的定位准确性 [ 9 ]，但当前可用的 MCI 进展模型解释的有效性尚未得到放射科医生的验证。我们训练了一个卷积神经网络 (CNN) 模型来识别有发展为 AD 风险的 MCI 患者，并部署了一种事后可视化的解释，称为梯度加权类激活映射 (GradCAM)。为了解决由于脑图像的体积特性而产生的解释复杂性问题，我们使用 SSP 图像进行模型开发和诊断。此外，一位具有 PET-CT 专业知识的放射科医生评估了从模型生成的解释的有效性。
轻度认知障碍的可解释识别...
主要关键词
相关文件推荐
