基于反事实影响分析的领域感知医学图像分类器解释
计算机视觉与模式识别
2020-10-02 v2 机器学习
摘要
机器学习方法在计算机视觉任务上的成功推动了医学与生物学中计算机辅助预测的激增。基于输入图像与病理分类之间的数据驱动关系，这些预测器达到了前所未有的准确率。然而，众多试图解释该习得关系因果性的方法均告不足：由采用高斯噪声与模糊等启发式技术所导致的时间限制、粗糙、弥散且时而误导的结果，阻碍了其临床采纳。本工作中，我们讨论并克服这些障碍，引入一种基于神经网络的归因方法，可应用于任何已训练的预测器。我们的方案通过在单次前向传播中度量局部图像扰动对预测器分数的影响，来识别输入图像的显著区域。我们以强邻域条件修复方法替代启发式技术，从而避免解剖学上不合理乃至对抗性的伪影。我们在公开乳腺摄影数据上评估，并与现有最优方法比较。此外，我们通过在胸部 X 光上展示结果来例证该方法的泛化性。我们的方案在定量与定性上均显示出定位模糊性的显著降低及更清晰传达的结果，且不牺牲时间效率。
引用
@article{arxiv.2007.06312,
title = {Domain aware medical image classifier interpretation by counterfactual impact analysis},
author = {Dimitrios Lenis and David Major and Maria Wimmer and Astrid Berg and Gert Sluiter and Katja Bühler},
journal= {arXiv preprint arXiv:2007.06312},
year = {2020}
}
备注
Accepted for publication at International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI) 2020.This version differs from the published conference version only in a funding agencies name, and additional clarifying changes and references in figure 3