用于诊断与预后视觉解释的信息瓶颈归因
图像与视频处理
2021-06-24 v2 计算机视觉与模式识别
机器学习
摘要
在标注数据有限或不可用的患者预后中,视觉解释方法发挥着重要作用。已有若干尝试使用基于梯度的归因方法,在无分割标签的情况下从医学扫描中定位病灶。该研究方向一直受限于缺乏鲁棒性与可靠性。这些方法对网络参数高度敏感。在本研究中,我们引入一种鲁棒的视觉解释方法,以解决医学应用中的这一问题。我们提供了一种通用的创新视觉解释算法,并作为一个示例应用,展示了其在不使用密集分割标签的情况下,以高精度和鲁棒性量化Covid-19所致肺部病变的有效性。该方法克服了常用Grad-CAM及其扩展版本的缺陷。我们提出策略的前提是:在确保分类器预测保持相似的同时,使信息流最小化。我们的研究结果表明,瓶颈条件相比同类归因方法提供了更稳定的严重程度估计。
引用
@article{arxiv.2104.02869,
title = {Information Bottleneck Attribution for Visual Explanations of Diagnosis and Prognosis},
author = {Ugur Demir and Ismail Irmakci and Elif Keles and Ahmet Topcu and Ziyue Xu and Concetto Spampinato and Sachin Jambawalikar and Evrim Turkbey and Baris Turkbey and Ulas Bagci},
journal= {arXiv preprint arXiv:2104.02869},
year = {2021}
}