用于心脏 MRI 分类的全局与局部可解释性
图像与视频处理
2019-08-13 v2 计算机视觉与模式识别
机器学习
摘要
用于分类医学图像的深度学习方法在广泛任务中展现出令人印象深刻的准确性，但这些模型往往难以解释，限制了其在临床实践中的适用性。本工作中，我们引入一种卷积神经网络模型，用于在心脏 MR 分割的时间序列中识别疾病，该模型在临床熟悉的测量方面具有可解释性。模型围绕变分自编码器构建，将输入降维至低维潜空间并在其中进行分类。我们随后使用最近开发的“概念激活向量”技术，将具有诊断意义的概念（例如“低左室射血分数”等临床生物标志物）与潜空间中的特定向量相关联。接着，通过观察潜空间中沿这些向量方向插值所导致的图像域变化，对这些概念进行定性检视。因此，当模型对图像进行分类时，它还能够提供与该分类相关的自然可解释概念，并在图像域中展示这些概念的含义。我们的方法在 UK Biobank 心脏 MRI 数据集上得到演示，其中我们检测了冠状动脉疾病的存在。
引用
@article{arxiv.1906.06188,
title = {Global and Local Interpretability for Cardiac MRI Classification},
author = {James R. Clough and Ilkay Oksuz and Esther Puyol-Anton and Bram Ruijsink and Andrew P. King and Julia A. Schnabel},
journal= {arXiv preprint arXiv:1906.06188},
year = {2019}
}
备注
Accepted at MICCAI 2019, 9 pages, 3 figures