Can Anatomical Information Guide the Performance of Convolutional Neural Networks for Classifying Neurodegenerative Diseases Using Brain MRI?
Notice bibliographique
Résumé
Convolutional neural networks (CNNs) have been gaining outstanding success in classifying neurodegenerative diseases using brain magnetic resonance imaging (MRI) images. Given the highly informative content of brain MRI and the black-box nature of CNNs, it can be challenging to disentangle the decision-making process and identify cerebral regions that are relevant for the classification. In this study, we aimed to investigate the behavior of a 3D CNN for the classification of multiple system atrophy (MSA), a rare atypical parkinsonian syndrome, by exploiting a priori anatomical information related to this neurodegenerative disorder. We considered three regions of interest (ROIs) affected by pathological changes as input to a 3D CNN in combination with the T1-weighted MRI images. By comparing different CNN implementations and introducing a specific module accounting for the anatomical information, we achieved high accuracy (78–89%) in discriminating MSA patients from healthy controls. Furthermore, performances varied depending on the ROI used, with lower sensitivity for MSA patients when considering bigger regions. Instead, modifying the CNN with the anatomical gate module, an anatomically oriented attention mechanism, improved the classification using smaller regions. These findings represent an encouraging starting point to exploit fully disease-specific a priori knowledge and enhance classification performance while supporting better interpretability and advancing deep learning-based aid-to-diagnosis tools in clinical practice.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».