揭开脑肿瘤分割网络的神秘面纱：可解释性与不确定性分析
图像与视频处理
2020-01-28 v3 计算机视觉与模式识别
机器学习
定量方法
机器学习
摘要
胶质瘤及其瘤内结构的准确自动分割不仅对治疗规划十分重要，也对随访评估至关重要。基于2D和3D深度神经网络（DNN）的多种方法已被开发出来，用于分割脑肿瘤并从不同MRI模态中对不同类别的肿瘤进行分类。然而，这些网络通常是黑盒模型，不提供任何关于其执行该任务所采取过程的证据。提高此类深度学习技术的透明度和可解释性，对于将这类方法完整整合到医疗实践中是必要的。在本文中，我们探索多种技术来解释脑肿瘤分割模型的功能组织，并提取内部概念的可视化以理解这些网络如何实现高精度的肿瘤分割。我们使用BraTS 2018数据集训练三个具有标准架构的不同网络，并概述这些网络在分割脑肿瘤过程中所采取方式的异同。我们表明，脑肿瘤分割网络在滤波器层面上学习到某些人类可理解的解耦概念。我们还表明，它们采取自顶向下或层次化的方法来定位肿瘤的不同部分。随后我们提取了一些内部特征图的可视化，并提供了关于模型输出的不确定性度量，以给出关于这些网络预测的额外定性证据。我们相信，此类人类可理解的组织和概念的出现，可能有助于这类方法在医学诊断中的接受与整合。
引用
@article{arxiv.1909.01498,
title = {Demystifying Brain Tumour Segmentation Networks: Interpretability and Uncertainty Analysis},
author = {Parth Natekar and Avinash Kori and Ganapathy Krishnamurthi},
journal= {arXiv preprint arXiv:1909.01498},
year = {2020}
}