用于可解释心脏病分类的属性正则化软内省变分自编码器
图像与视频处理
2023-12-15 v1 计算机视觉与模式识别
摘要
可解释性在医学影像中至关重要，可确保临床医生能够理解并信任人工智能模型。在本文中，我们提出了一种新颖的可解释方法，该方法在对抗训练的变分自编码器框架内结合了潜在空间的属性正则化。在心脏 MRI 数据集上的对比实验表明，所提方法能够解决变分自编码器方法的模糊重建问题，并提高潜在空间的解释性。此外，我们对下游任务的分析表明，使用正则化潜在空间进行心脏病分类严重依赖于属性正则化维度，通过将用于预测的属性与临床观察联系起来，展现了出色的可解释性。
引用
@article{arxiv.2312.08915,
title = {Attribute Regularized Soft Introspective Variational Autoencoder for Interpretable Cardiac Disease Classification},
author = {Maxime Di Folco and Cosmin I. Bercea and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2312.08915},
year = {2023}
}