An Interpretable Representation Learning Approach for Diffusion Tensor Imaging
Created by
Haebom
저자
Vishwa Mohan Singh, Alberto Gaston Villagran Asiares, Luisa Sophie Schuhmacher, Kate Rendall, Simon Wei{\ss}brod, David Rugamer, Inga Korte
개요
본 논문은 확산텐서영상(DTI) 섬유속도를 효과적으로 표현하고 해석하기 위한 새로운 2D 표현법을 제안합니다. DTI 섬유속도의 tract-level fractional anisotropy (FA) 값을 9x9 흑백 이미지로 인코딩하고, Beta-Total Correlation Variational Autoencoder와 Spatial Broadcast Decoder를 사용하여 얽히지 않고 해석 가능한 잠재적 임베딩을 학습합니다. 보조 분류, triplet loss, SimCLR 기반 대조 학습 등의 지도 및 비지도 표현 학습 전략을 사용하여 임베딩의 질을 평가합니다. 1D Group DNN 기준 모델과 비교하여 성별 분류 작업에서 F1 점수를 15.74% 향상시켰으며, 3D 표현보다 더 나은 분리 성능을 보입니다.
시사점, 한계점
•
시사점:
◦
DTI 섬유속도 데이터의 효과적인 2D 표현 방법 제시
◦
Beta-Total Correlation Variational Autoencoder와 Spatial Broadcast Decoder를 활용한 잠재적 임베딩 학습 성공
◦
성별 분류 작업에서 기존 1D DNN 모델 대비 성능 향상 (F1 score 15.74% 증가)
◦
3D 표현보다 우수한 잠재 변수 분리 성능 확인
•
한계점:
◦
제안된 방법의 성능 평가가 성별 분류 작업에만 국한됨. 다른 downstream task에 대한 일반화 성능 검증 필요.
