MProtoNet：基于 3D 多参数磁共振成像的脑肿瘤分类案例可解释模型
计算机视觉与模式识别
2023-04-17 v2 机器学习
图像与视频处理
摘要
深度卷积神经网络在医学影像中的近期应用引发了对其可解释性的担忧。多数可解释深度学习应用使用事后方法（如 GradCAM）生成特征归因图，而一类新型的基于案例推理模型，即 ProtoPNet 及其变体，在训练期间识别原型并将输入图像块与这些原型比较。我们提出首个医学原型网络（MProtoNet），将 ProtoPNet 扩展至基于 3D 多参数磁共振成像（mpMRI）数据的脑肿瘤分类。针对 2D 自然图像与 3D mpMRI 之间不同需求——尤其在定位注意力区域方面——引入了带软掩码与在线 CAM 损失的新的注意力模块。软掩码有助于锐化注意力图，而在线 CAM 损失在训练注意力模块时直接利用图像级标签。与 GradCAM 及若干 ProtoPNet 变体相比，MProtoNet 在无需训练期人工标注标签的情况下，于正确性与定位一致性两项可解释性指标上取得统计显著的提升（最佳激活精度为 ）。源代码见 https://github.com/aywi/mprotonet。
引用
@article{arxiv.2304.06258,
title = {MProtoNet: A Case-Based Interpretable Model for Brain Tumor Classification with 3D Multi-parametric Magnetic Resonance Imaging},
author = {Yuanyuan Wei and Roger Tam and Xiaoying Tang},
journal= {arXiv preprint arXiv:2304.06258},
year = {2023}
}
备注
15 pages, 5 figures, 1 table; accepted for oral presentation at MIDL 2023 (https://openreview.net/forum?id=6Wbj3QCo4U4 ); camera-ready version