用于早产分类的可解释卷积神经网络
图像与视频处理
2019-10-02 v1
摘要
卷积神经网络(CNNs)用于分类任务已在各种医学影像应用中占据主导地位。与此同时，可解释机器学习技术的最新进展在解释分类器决策方面展现出巨大潜力。逐层相关性传播(LRP)作为这些旨在为网络决策提供视觉解释的新方法之一被引入。在这项工作中，我们首次提出将3D CNNs与LRP应用于新生儿T2加权磁共振成像(MRI)数据分析。通过LRP，我们训练好的分类器的决策被转化为热图，指示每个体素对决策结果的相关性。我们得到的LRP热图揭示了在区分早产新生儿与足月新生儿方面具有解剖学合理性的特征。
引用
@article{arxiv.1910.00071,
title = {Interpretable Convolutional Neural Networks for Preterm Birth Classification},
author = {Irina Grigorescu and Lucilio Cordero-Grande and A David Edwards and Jo Hajnal and Marc Modat and Maria Deprez},
journal= {arXiv preprint arXiv:1910.00071},
year = {2019}
}