在胶囊中编码视觉属性以实现可解释医学诊断
图像与视频处理
2020-06-23 v5 计算机视觉与模式识别
机器学习
机器学习
摘要
基于卷积神经网络的系统在包括医疗、军事、安全、交通、金融和法律在内的许多高风险应用领域中大多未能被采用，因其高度不可解释的“黑盒”特性。为解决这一缺陷，我们训练了一种新颖的多任务胶囊网络，通过承载人类专家所使用的相同高层语言来提升预测的可解释性。我们的可解释胶囊网络 X-Caps 在其胶囊的向量中编码高层视觉对象属性，然后仅基于这些人类可解释特征形成预测。为编码属性，X-Caps 利用一种新的路由 sigmoid 函数将信息从子胶囊独立路由至父胶囊。此外，为向放射科医生提供模型置信度估计，我们在专家标注的分布上训练网络，建模观察者间一致性并在训练中以人类专家一致性为监督惩罚过/欠置信。X-Caps 从超过 1000 例肺癌筛查患者 CT 扫描的多中心数据集中同时学习属性与恶性评分。我们展示了简单的 2D 胶囊网络在捕捉视觉可解释高层属性与恶性预测上优于最先进的深度稠密双路径 3D CNN，同时提供的恶性预测分数接近不可解释 3D CNN。据我们所知，这是首个研究基于放射科医生级可解释属性的胶囊网络预测及其在医学图像诊断中应用的工作。代码公开于 https://github.com/lalonderodney/X-Caps 。
引用
@article{arxiv.1909.05926,
title = {Encoding Visual Attributes in Capsules for Explainable Medical Diagnoses},
author = {Rodney LaLonde and Drew Torigian and Ulas Bagci},
journal= {arXiv preprint arXiv:1909.05926},
year = {2020}
}
备注
Accepted for publication at MICCAI 2020 (23rd International Conference on Medical Image Computing and Computer Assisted Intervention). Code is publicly available at https://github.com/lalonderodney/X-Caps