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 뇌의 구조적 연결성에 대한 자세한 통찰력을 제공하는 확산텐서영상(DTI) 트랙토그래피의 효과적인 표현 및 해석에 대한 딥러닝 모델의 어려움을 해결하기 위해, 트랙트 수준의 분획이방성(FA) 값을 9x9 흑백 이미지로 인코딩하는 새로운 2D 표현 방식을 제안한다. 이 표현 방식은 공간 방송 디코더가 있는 베타-전체 상관 변이 자동 인코더를 통해 처리되어 disentangled하고 해석 가능한 잠재적 임베딩을 학습한다. 보조 분류, 삼중 손실 및 SimCLR 기반 대조 학습을 포함한 감독 및 비감독 표현 학습 전략을 사용하여 이 임베딩의 품질을 평가한다. 1D 그룹 심층 신경망(DNN) 기준선과 비교하여, 제안된 방법은 하류 성별 분류 작업에서 F1 점수를 15.74% 향상시키고 3D 표현보다 더 나은 disentanglement을 보여준다.
시사점, 한계점
•
시사점:
◦
DTI 트랙토그래피 데이터를 효과적으로 표현하고 해석하는 새로운 2D 표현 방식을 제시.
◦
베타-전체 상관 변이 자동 인코더와 공간 방송 디코더를 활용하여 disentangled하고 해석 가능한 잠재적 임베딩 학습.
◦
하류 작업(성별 분류)에서 기존 1D DNN 기준선보다 성능 향상을 보임 (F1 score 15.74% 증가).
◦
3D 표현보다 더 나은 disentanglement 성능을 보임.
•
한계점:
◦
제시된 방법의 성능 평가가 성별 분류라는 특정 하류 작업에 국한됨. 다른 작업에 대한 일반화 성능은 추가 연구가 필요.
◦
9x9 크기의 2D 이미지 표현이 DTI 트랙토그래피 데이터의 모든 정보를 완벽하게 포착하지 못할 수 있음.
