通过知识蒸馏集成全局与可解释基于原型的乳腺X光分类模型
计算机视觉与模式识别
2023-01-10 v2
摘要
使用弱标签图像训练的最先进（SOTA）深度学习乳腺X光分类器通常依赖全局模型，其产生的预测可解释性有限，这是其成功转化到临床应用的关键障碍。另一方面，基于原型的模型通过将预测与训练图像原型相关联来提高可解释性，但其准确性低于全局模型，且原型多样性较差。我们通过提出BRAIxProtoPNet++来解决这两个问题，该方法通过将全局模型与基于原型的模型集成，为全局模型增加可解释性。BRAIxProtoPNet++在训练基于原型的模型时蒸馏全局模型的知识，以提高集成模型的分类精度。此外，我们提出一种通过保证所有原型与不同训练图像相关联来增加原型多样性的方法。在弱标签私有和公共数据集上的实验表明，BRAIxProtoPNet++比SOTA全局和基于原型的模型具有更高的分类精度。使用病灶定位评估模型可解释性，我们显示BRAIxProtoPNet++比其他基于原型的模型及全局模型的事后解释更有效。最后，我们表明BRAIxProtoPNet++学习的原型多样性优于SOTA基于原型的方法。
引用
@article{arxiv.2209.12420,
title = {Knowledge Distillation to Ensemble Global and Interpretable Prototype-Based Mammogram Classification Models},
author = {Chong Wang and Yuanhong Chen and Yuyuan Liu and Yu Tian and Fengbei Liu and Davis J. McCarthy and Michael Elliott and Helen Frazer and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2209.12420},
year = {2023}
}
备注
MICCAI 2022