ICAM：基于解耦表示与特征归因映射的可解释分类
机器学习
2020-06-17 v2 图像与视频处理
机器学习
摘要
特征归因（FA），即把类别相关性分配给图像中不同位置，对许多分类问题都很重要，但在神经科学领域尤为关键，因为对行为或疾病的精确机制模型需要了解所有可区分某一性状的特征。与此同时，从脑图像预测类别相关性具有挑战性，因为表型通常是异质性的，且变化发生在显著自然变异的背景之上。在此，我们提出一种通过图像到图像翻译创建类别特定 FA 图的新框架。我们建议使用 VAE-GAN 显式地将类别相关性与背景特征解耦，以改善可解释性，从而产生有意义的 FA 图。我们在痴呆症（ADNI 数据集）、衰老（UK Biobank）和（模拟）病灶检测的 2D 和 3D 脑图像数据集上验证了我们的方法。我们表明，当与真值对比验证时，我们的方法生成的 FA 图优于基线 FA 方法。更重要的是，我们的方法是首个使用隐空间采样来支持表型变异探索的方法。我们的代码将在 https://github.com/CherBass/ICAM 在线提供。
引用
@article{arxiv.2006.08287,
title = {ICAM: Interpretable Classification via Disentangled Representations and Feature Attribution Mapping},
author = {Cher Bass and Mariana da Silva and Carole Sudre and Petru-Daniel Tudosiu and Stephen M. Smith and Emma C. Robinson},
journal= {arXiv preprint arXiv:2006.08287},
year = {2020}
}
备注
Submitted to NeurIPS 2020: Neural Information Processing Systems. Keywords: interpretable, classification, feature attribution, domain translation, variational autoencoder, generative adversarial network, neuroimaging