通过对比扩散自编码器实现可解释的阿尔茨海默病分类
计算机视觉与模式识别
2023-10-26 v2 机器学习
摘要
在视觉对象分类中，人类常通过将对象与该类中的原型示例比较来证明其选择。因此，我们可以通过赋予深度学习模型类似的推理风格来提高其可解释性。在这项工作中，我们应用该原理，基于图像在潜空间内与训练示例的相似度对阿尔茨海默病进行分类。我们使用对比损失结合扩散自编码器骨干，产生语义上有意义的潜空间，使得相邻潜变量具有相似的图像级特征。我们在2D MRI图像数据集上取得了与黑盒方法相当的分类准确率，同时生成人类可解释的模型解释。因此，本工作是对医学影像中准确且可解释深度学习这一相关发展的贡献。
引用
@article{arxiv.2306.03022,
title = {Interpretable Alzheimer's Disease Classification Via a Contrastive Diffusion Autoencoder},
author = {Ayodeji Ijishakin and Ahmed Abdulaal and Adamos Hadjivasiliou and Sophie Martin and James Cole},
journal= {arXiv preprint arXiv:2306.03022},
year = {2023}
}