Attri-VAE：基于属性的可解释医学图像变分自编码器表示
图像与视频处理
2022-12-13 v3 计算机视觉与模式识别
机器学习
摘要
需要那些将可解释性作为模型内在组成部分的深度学习（DL）方法，以更好地理解临床与基于影像的属性同 DL 结果之间的关系，从而促进其在医学决策推理中的使用。用变分自编码器（VAE）构建的潜空间表示并不能确保对数据属性的单独控制。文献中已提出基于属性解耦的方法，用于基准数据上的经典计算机视觉任务。本文提出一种 VAE 方法，即 Attri-VAE，其包含一个属性正则化项，以将临床与医学影像属性同所生成潜空间中不同的正则化维度相关联，从而实现对属性的更好解耦解释。此外，所生成的注意力图解释了正则化潜空间维度中的属性编码。利用 Attri-VAE 方法，我们分析了具有临床、心脏形态与放射组学属性的健康与心肌梗死患者。所提模型在重建保真度、解耦与可解释性之间提供了优异的权衡，根据若干定量指标优于最先进的 VAE 方法。所得潜空间允许在两个不同输入样本之间或沿特定属性维度生成逼真的合成数据，以更好地解释不同心脏状况之间的变化。
引用
@article{arxiv.2203.10417,
title = {Attri-VAE: attribute-based interpretable representations of medical images with variational autoencoders},
author = {Irem Cetin and Maialen Stephens and Oscar Camara and Miguel Angel Gonzalez Ballester},
journal= {arXiv preprint arXiv:2203.10417},
year = {2022}
}