제한된 의료 데이터로 인해 과도한 층을 쌓은 심층 신경망(DNN)은 심각하게 불확정적인 시스템이 됩니다. 본 논문에서는 모델 크기의 합리적인 증가를 통해 효율적인 고차원 공간을 도출하는 프레임워크를 제시합니다. 이는 공분산 구조를 이용한 스케일 공간 이론을 활용하는 변환(즉, 합성곱)을 사용하여 수행됩니다. 전체 모델은 이 변환과 함께 다운스트림 분류기(즉, 완전 연결 계층)를 함께 학습하여 원본 데이터의 최적 다중 스케일 표현을 캡처하고, 이는 이중 공간에서 작업별 구성 요소에 해당합니다. 알츠하이머병 신경영상 이니셔티브(ADNI) 연구의 신경영상 측정에 대한 실험은 모델 크기가 크게 감소하더라도 제안된 모델이 기존 모델보다 성능이 우수하고 수렴 속도가 빠름을 보여줍니다. 학습된 모델은 다중 스케일 변환에 대한 기울기 정보를 사용하여 뇌의 개인화된 AD 특이적 영역을 설명함으로써 해석 가능하게 만들어집니다.
