增强从深度神经网络中提取缺血性卒中影像的可解释信息
图像与视频处理
2020-01-14 v2 机器学习
定量方法
摘要
我们在训练用于ISLES 2017竞赛提供的多模态图像小数据集上执行病灶分割的3D U-Net之上，实现了逐层相关性传播（LRP）这一视觉可解释性方法。我们证明LRP的修改能够为原本高度噪声偏斜的显著图提供更为合理的视觉解释。我们还将修正后信号的幅度与有用信息内容相联系。高幅度的局部化信号似乎构成了破坏LRP可解释能力的噪声。此外，通过类比发展了可用于函数逼近分析的数学框架。
引用
@article{arxiv.1911.08136,
title = {Enhancing the Extraction of Interpretable Information for Ischemic Stroke Imaging from Deep Neural Networks},
author = {Erico Tjoa and Guo Heng and Lu Yuhao and Cuntai Guan},
journal= {arXiv preprint arXiv:1911.08136},
year = {2020}
}