通过基于优化的反事实影响分析解释医学图像分类器
计算机视觉与模式识别
2020-04-06 v1 机器学习
图像与视频处理
摘要
自动决策支持系统的临床适用性依赖于稳健且充分理解的分类解释。人工神经网络虽然取得了同类最佳的分数，但在这一方面仍有不足。因此，人们提出了许多将图像的显著区域映射到诊断分类的方法。利用模糊和噪声等启发式方法，它们往往会产生弥散的、有时是误导性的结果，阻碍了其被广泛采用。在这项工作中，我们通过提出一个为医学影像量身定制的模型不可知显著性映射框架来克服这些问题。我们用一种强邻域条件图像修复方法取代了启发式技术，从而避免了在解剖学上不合理的伪影。我们将显著性归因表述为一个映射质量优化任务，以实施受限且集中的归因。在公开乳腺X线摄影数据上的实验表明，与现有SOTA方法相比，其定位在定量和定性上均更精确，且传达结果更清晰。
引用
@article{arxiv.2004.01610,
title = {Interpreting Medical Image Classifiers by Optimization Based Counterfactual Impact Analysis},
author = {David Major and Dimitrios Lenis and Maria Wimmer and Gert Sluiter and Astrid Berg and Katja Bühler},
journal= {arXiv preprint arXiv:2004.01610},
year = {2020}
}
备注
Accepted for publication at IEEE International Symposium on Biomedical Imaging (ISBI) 2020