卷积网络的混杂因子感知可视化
机器学习
2021-06-29 v2 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
随着深度学习的近期进展，神经影像研究日益依赖卷积网络（ConvNets）基于 MR 图像预测诊断。为更好地理解疾病如何影响大脑，这些研究对 ConvNet 的显著性图进行可视化，突出对预测贡献最大的脑内体素。然而，这些显著性图通常存在混杂，即某些显著区域对混杂变量（如年龄）的预测性高于对诊断的预测性。为避免此类误读，本文提出一种方法，旨在可视化无混杂的显著性图，仅突出对诊断具有预测性的体素。该方法结合单变量统计检验以识别 ConvNet 所学中间特征中的混杂效应，随后通过一种新颖的部分反向传播过程去除该混杂特征子集的影响。我们利用这一两步方法对来自合成及两个真实数据集提取的无混杂显著性图进行可视化。这些实验揭示了我们的可视化方法在产生无偏模型解释方面的潜力。
引用
@article{arxiv.1907.12727,
title = {Confounder-Aware Visualization of ConvNets},
author = {Qingyu Zhao and Ehsan Adeli and Adolf Pfefferbaum and Edith V. Sullivan and Kilian M. Pohl},
journal= {arXiv preprint arXiv:1907.12727},
year = {2021}
}