基于属性正则化的心脏 MRI 可解释表征学习
图像与视频处理
2024-08-27 v3 计算机视觉与模式识别
摘要
可解释性对于医学成像至关重要，以确保临床医生能够理解和信任人工智能模型。最近考虑了几种方法来编码潜空间中的属性以增强其可解释性。值得注意的是，属性正则化旨在将一组属性沿潜表示的维度进行编码。然而，这种方法基于变分自编码器，存在重建模糊的问题。本文提出了一种归一化 Soft Introspective 变分自编码器，将属性正则化融入对抗性训练变分自编码器的框架中。我们在 UK Biobank 的短轴心脏磁共挝图像上演示了所提方法能够解决变分自编码器方法中重建模糊问题，同时保持潜空间的可解释性。
引用
@article{arxiv.2406.08282,
title = {Interpretable Representation Learning of Cardiac MRI via Attribute Regularization},
author = {Maxime Di Folco and Cosmin I. Bercea and Emily Chan and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2406.08282},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2312.08915