利用对抗训练提升医学影像诊断可解释性
机器学习
2020-12-03 v1
摘要
我们研究了对抗训练对卷积神经网络（CNNs）可解释性的影响，具体应用于皮肤癌诊断。我们表明，经对抗训练的 CNN 的基于梯度的显著图比标准训练 CNN 的显著图明显更锐利、视觉上更连贯。此外，我们表明对抗训练的网络会高亮病灶内具有显著颜色变化的区域，这是黑色素瘤的常见特征。我们发现，以较小学习率微调鲁棒网络可进一步提升显著图的锐度。最后，我们提供了初步工作，表明使前几层鲁棒化以提取鲁棒低级特征可带来视觉连贯的解释。
引用
@article{arxiv.2012.01166,
title = {Improving Interpretability in Medical Imaging Diagnosis using Adversarial Training},
author = {Andrei Margeloiu and Nikola Simidjievski and Mateja Jamnik and Adrian Weller},
journal= {arXiv preprint arXiv:2012.01166},
year = {2020}
}
备注
To appear at NeurIPS 2020 workshop "Medical Imaging meets NeurIPS (MED-NEURIPS)"