Weakly-supervised segmentation using inherently-explainable classification models and their application to brain tumour classification

要約

深層学習モデルは、いくつかのアプリケーションの可能性を示しています。
ただし、ほとんどのモデルは不透明であり、その複雑な推論（一般にブラックボックス問題として知られている）のために信頼するのが困難です。
医学などの一部の分野では、そのような技術を受け入れて採用するために高度な透明性が必要です。
したがって、説明可能/解釈可能なモデルを作成するか、分類器に事後メソッドを適用して、深層学習モデルへの信頼を構築する必要があります。
さらに、ディープラーニング手法はセグメンテーションタスクに使用できます。セグメンテーションタスクでは、通常、トレーニングのために取得が困難で時間のかかる手動で注釈が付けられたセグメンテーションラベルが必要です。
このホワイトペーパーでは、これらの問題の両方に1つとして取り組むために、本質的に説明可能な3つの分類器を紹介します。
ネットワークによって提供されるローカリゼーションヒートマップ（モデルのフォーカスエリアを表し、分類の意思決定に使用される）は、モデルの説明のための情報を導出するための事後的な方法を必要とせずに、直接解釈できます。
モデルは、入力画像と分類ラベルのみを監視された方法でグラウンドトゥルースとして使用してトレーニングされます-関心領域の場所に関する情報（つまり、セグメンテーションラベル）を使用せずに、モデルのセグメンテーショントレーニングを弱くします
-分類ラベルによって監視されます。
最終的なセグメンテーションは、これらのヒートマップをしきい値処理することによって取得されます。
モデルは、2つの異なるデータセットを使用したマルチクラス脳腫瘍分類のタスクに採用され、教師あり分類タスクの最高のF1スコアは0.93であり、弱教師ありのダイススコアの中央値は0.67 $ \ pm$0.08でした。
セグメンテーションタスク。
さらに、腫瘍のみの画像のサブセットで得られた精度は、最新の神経膠腫腫瘍グレーディング二項分類器を上回り、最高のモデルで98.7 \％の精度を達成しました。

要約(オリジナル)

Deep learning models have shown their potential for several applications. However, most of the models are opaque and difficult to trust due to their complex reasoning – commonly known as the black-box problem. Some fields, such as medicine, require a high degree of transparency to accept and adopt such technologies. Consequently, creating explainable/interpretable models or applying post-hoc methods on classifiers to build trust in deep learning models are required. Moreover, deep learning methods can be used for segmentation tasks, which typically require hard-to-obtain, time-consuming manually-annotated segmentation labels for training. This paper introduces three inherently-explainable classifiers to tackle both of these problems as one. The localisation heatmaps provided by the networks — representing the models’ focus areas and being used in classification decision-making — can be directly interpreted, without requiring any post-hoc methods to derive information for model explanation. The models are trained by using the input image and only the classification labels as ground-truth in a supervised fashion – without using any information about the location of the region of interest (i.e. the segmentation labels), making the segmentation training of the models weakly-supervised through classification labels. The final segmentation is obtained by thresholding these heatmaps. The models were employed for the task of multi-class brain tumour classification using two different datasets, resulting in the best F1-score of 0.93 for the supervised classification task while securing a median Dice score of 0.67$\pm$0.08 for the weakly-supervised segmentation task. Furthermore, the obtained accuracy on a subset of tumour-only images outperformed the state-of-the-art glioma tumour grading binary classifiers with the best model achieving 98.7\% accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google