深度学习模型在基于 ACDC 挑战赛数据集的心脏 MRI 分割应用中的可解释性
计算机视觉与模式识别
2021-03-16 v1
摘要
心脏磁共振（CMR）是评估和诊断心脏疾病最有效的工具，而心脏疾病 malfunction 是全球首要死因。利用人工智能的软件工具已辅助放射科医生与心脏病医生进行心脏状况评估，但其缺乏透明度是一大问题。本项目探究是否可能从训练用于分割心脏结构：左心室（LV）、右心室（RV）与心肌（MYO）的深度网络中，发现代表不同心脏状况的概念；所用可解释性方法通过提供基于分数的定性概念值及关键性能指标来增强分类系统。随着 GDPR 引入对解释的需求，AI 系统的可解释性必不可少。本研究将发现与测试概念激活向量（D-TCAV）——一种从 MRI 数据中提取对心脏疾病诊断重要的潜在特征的可解释性方法——应用于此。该方法提供疾病分类中概念重要性的量化度量。在既往研究中，基础方法应用于心脏疾病分类，并为黑盒深度学习分类器的预测提供临床有意义的解释。本研究将 TCAV 扩展以加入发现阶段（D-TCAV）的方法应用于心脏 MRI 分析。D-TCAV 方法相对于基础方法的优势在于其不依赖用户。本研究的贡献是将可解释性方法 D-TCAV 新颖地应用于心脏 MRI 分析。D-TCAV 为临床医生提供的预处理时间短于基础方法。
引用
@article{arxiv.2103.08590,
title = {Interpretability of a Deep Learning Model in the Application of Cardiac MRI Segmentation with an ACDC Challenge Dataset},
author = {Adrianna Janik and Jonathan Dodd and Georgiana Ifrim and Kris Sankaran and Kathleen Curran},
journal= {arXiv preprint arXiv:2103.08590},
year = {2021}
}