使用 Dirichlet VAE 学习解耦表示以实现可解释的胸部 X 光分类
计算机视觉与模式识别
2023-02-07 v1 人工智能
机器学习
摘要
本研究探索使用 Dirichlet 变分自编码器（DirVAE）学习胸部 X 光（CXR）图像的解耦潜在表示。我们的工作假设是，由 Dirichlet 先验促成的分布稀疏性将鼓励针对 CXR 图像多标签分类这一复杂任务的解耦特征学习。DirVAE 使用来自 CheXpert 数据库的 CXR 图像进行训练，并通过实现一个辅助多标签分类任务来研究 DirVAE 模型所学多模态潜在表示的预测能力，以期根据类特定特征强制潜在因子的分离。使用 DirVAE 学到的潜在空间的预测性能与可解释性分别被定量与定性评估，并与标准高斯先验 VAE（GVAE）比较。我们引入一种用于可解释多标签分类的新方法，其中我们对每个关注类别进行梯度引导的潜在遍历。研究结果表明，DirVAE 能够将潜在因子解耦为类特定的视觉特征，这一性质为 GVAE 所不具备，并且相对于 GVAE 取得了预测性能上的微小提升。我们生成视觉示例以表明，当应用于训练好的 DirVAE 时，我们的可解释性方法能够高亮 CXR 图像中与关注类别临床相关的区域，并且还能识别分类依赖虚假特征相关性的情况。
引用
@article{arxiv.2302.02979,
title = {Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs},
author = {Rachael Harkness and Alejandro F Frangi and Kieran Zucker and Nishant Ravikumar},
journal= {arXiv preprint arXiv:2302.02979},
year = {2023}
}
备注
13 pages, 8 figures, to be published in SPIE Medical Imaging 2023