Sep, 2023

一个 3D 可解释性框架以揭示可变沟回识别中的学习模式和关键亚区

PDF
TL;DR本研究介绍了一种创新的 3D 可解释性框架，通过将本地可解释性技术 GradCam 和 SHAP 与降维方法相结合，验证了深度学习网络在检测前额媒体表面可能存在的解剖特征 —— 副扣带沟，该框架通过解释和统计特征的后融合转换，提供了局部和全局解释以及分类结果的准确性，揭示了对决策过程有贡献的相关子区域。利用来自精神分裂症患者的 TOP-OSLO MRI 数据集，发现了左侧大脑半球中副扣带沟存在与否的检测正确率较右侧更高，且各分类结果有各自明显的子区域贡献。同时，本研究无意中强调了公正的注释协议在维护网络性能公平性方面的关键作用。我们提出的方法不仅能自动、公正地注释可变的沟，还能深入了解其在整个脑部中存在的广泛解剖变化，该方法的采用有望在神经科学领域引发进一步的探索和研究。
发现论文，激发创造
  • 优化对比学习用于皮层折叠模式检测

    我们建立了一个自监督深度学习模型，用于检测扣带区域的皱褶模式，在包括人体连接组计划和英国生物银行在内的大规模数据集上进行了测试，并取得了量化的评估结果。

    Jan, 2024

  • MRI 中基底核分割的 3D 卷积神经网络：一项大规模研究

    本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

    Dec, 2016

  • 通过屏蔽编码实现对未监督异质性映射的皮层异常学习

    通过大脑皮层异常特征的自我监督检测框架 CAM（Cortical Anomaly Detection through Masked Image Modeling），本研究在未标记数据下探索复杂脑部疾病的无监督检测方法，具体应用于精神病谱系个体的检测，结果表明相比先进方法，在 Schizoaffective 型和 Schizophreniform 型病例上获得了 0.696 和 0.769 的 AUC 值，无需任何标签，同时对与精神分裂症相关的非典型皮层区域例如 Pars Triangularis 和若干额叶区域的分析也进一步验证了该方法的可靠性。总体来说，本研究展示了一种基于皮层异常的复杂脑部疾病异常检测的可扩展方法。

    Dec, 2023

  • 利用 YOLOv5 进行 MRI 胼胝体的可解释定位和非典型帕金森综合症分类

    本文提出了一种基于 YOLOv5 的 CC 检测框架，用于区分非典型帕金森病患者和健康对照组。使用 3 轮留置验证，在由 20 个健康受试者和 20 个 APD 病例组成的专有数据集上，所提出的方法获得了 92% 的平均分类准确率，并且相对于使用同一数据集的 SOTA 方法（CC 形态学和视觉纹理分析）提高了 5%。此外，为了包含 YOLO 预测的可解释性，还生成了基于 Eigen CAM 的热图，用于识别导致分类的最重要的 CC 亚区，结果显示 CC 中体是区分 APDs 和 HC 最显著的亚区，这与医学上的 SOTA 方法和当前普遍的理解相一致。

    Jun, 2023

  • SYNCS: 综合利用合成数据和对比自监督训练进行中央沟回分割

    早期疾病进展和预防措施的理解非常关键，这篇研究介绍了两种改进中央沟回分割的新方法，旨在提高其在不同人群中的性能，消除了对广泛预处理的需求。

    Mar, 2024

  • MRI 可解释的概念映射：揭示基于深度学习的脑疾病分类的机制

    通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

    Apr, 2024

  • 应用对比学习和几何展开的 3D-PLI 技术分析人类海马区的区域组织

    我们通过将展开方法的最新进展与使用自我监督对比学习方法获得的深度纹理特征相结合，展示了一种新的方法来分析人类海马体在 3D-PLI 中的区域组织，我们的表示中的聚类与海马体亚区的经典描述相对应，证明了所开发的方法的有效性。

    Feb, 2024

  • 利用图像 - 语言基础模型识别人脑中共同可解码的概念

    本研究介绍了一种基于高质量预训练多模态表示利用功能磁共振成像技术探索人类大脑微观语义网络的方法，并描述了该方法在检测面孔、身体和空间等重要语义概念的表现及其在个体参与者中的应用。

    Jun, 2023

  • 通过对比子图解释的脑网络分类

    本文介绍了一种用于分类脑网络的新方法：通过提取对比子图来建立简单而可解释的模型，该方法在分类准确度上表现优异，并在分析自闭症谱系障碍儿童和正常儿童的脑网络数据集时发现了与神经科学文献中的背景知识相符的有趣模式。

    Jun, 2020

  • 朝着可解释的自动神经解剖学

    我们提出了一种新的方法来量化脑组织的微观结构，该方法基于对细胞形状进行分析得到的可解释特征的自动识别。与传统方法相比，我们的系统基于可解释特征而不是灰度值来做决策，并且可以准确地定位和识别现有的脑结构，从而有助于连接组学研究和脑电路的逆向工程。

    Apr, 2024