面向脑肿瘤分割的弱监督全球可解释学习框架

基于机器人的脑肿瘤分割有助于医生作出更好的诊断。然而，脑肿瘤的复杂结构以及昂贵的像素级标注为自动化肿瘤分割带来了挑战。本文提出了一个反事实生成框架，不仅实现了无需像素级标注的卓越脑肿瘤分割性能，还提供了可解释性。我们的框架有效地分离了与类别相关的特征与与类别无关的特征，并通过嵌入不同的类别相关特征来生成保留身份特征同时改变类别属性的新样本。我们对提取的类别相关特征进行拓扑数据分析，获取全局可解释的流形，并为每个需要分割的异常样本，借助在该流形中设计的基于规则的路径生成具有意义的正常样本进行比较，以识别肿瘤区域。我们在两个数据集上评估了所提方法，表明脑肿瘤分割性能优异。代码已公开于 https://github.com/xrt11/tumor-segmentation。