利用对抗形变场解释医学影像中的疾病证据
图像与视频处理
2023-04-21 v2 计算机视觉与模式识别
图形学
定量方法
摘要
深度学习模型的高度复杂性与其所识别的、与特定疾病标签相关的证据难以解释这一问题密切相关。这些信息对于建立对模型的信任以及发现其偏差至关重要。迄今为止，自动化的深度学习可视化方案已能识别分类器所使用的图像区域，但这些方案过于粗糙、噪声过大，或对图像可能变化方式的表征有限。我们提出了一种表述和呈现疾病证据空间解释的新方法，称为基于生成对抗网络的形变场解释（DeFI-GAN）。一个经过对抗训练的生成器产生形变场，将患病患者的图像修改为类似健康患者的图像。我们通过在胸部X光片（CXRs）中研究慢性阻塞性肺疾病（COPD）证据，以及在脑MRI中研究阿尔茨海默病（AD）证据，对该方法进行了验证。在从纵向数据中提取疾病证据时，我们展示了相较于生成差异图的基线方法的引人注目的结果。DeFI-GAN还突出了先前方法未发现的疾病生物标志物以及可能有助于数据集和所采用学习方法调查的潜在偏差。
引用
@article{arxiv.2007.01975,
title = {Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields},
author = {Ricardo Bigolin Lanfredi and Joyce D. Schroeder and Clement Vachet and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2007.01975},
year = {2023}
}
备注
Presented at MICCAI 2020