Interpretation of Disease Evidence for Medical Images Using Adversarial Deformation Fields

要約

タイトル：敵対的変形場を用いた医療画像における疾患のエビデンスの解釈

要約：
– ディープラーニングモデルの高い複雑性により、どの証拠が特定の疾患ラベルと関連しているかを説明することが困難となっている。
– この情報は、モデルに対する信頼を構築し、その偏見を見つけるために重要である。
– 自動的なディープラーニングの可視化ソリューションは、分類器が使用する画像の領域を特定することができるが、これらのソリューションはあまりにも荒い、ノイズが多い、または画像が変化する方法の表現が制限されている。
– 我々は、疾患のエビデンスの空間的な説明を形成して提示するための新しい方法、DeFI-GAN (変形場解釈)を提案する。
– 敵対的にトレーニングされたジェネレータは、病気の患者の画像を変形させて健康な患者の画像に似せる変形場を生成する。
– 我々は、胸部X線(CXRs)における慢性閉塞性肺疾患(COPD)エビデンスと、脳MRIにおけるアルツハイマー病(AD)エビデンスを研究して、この方法の妥当性を検証する。
– 長期的なデータから疾患のエビデンスを抽出する場合、差分マップを生成するベースラインと比較して、説得力のある結果を示す。
– DeFI-GANは、以前の方法では発見されなかった疾患バイオマーカーや、データセットおよび採用された学習方法の調査に役立つ可能性のある偏見を明らかにする。

要約(オリジナル)

The high complexity of deep learning models is associated with the difficulty of explaining what evidence they recognize as correlating with specific disease labels. This information is critical for building trust in models and finding their biases. Until now, automated deep learning visualization solutions have identified regions of images used by classifiers, but these solutions are too coarse, too noisy, or have a limited representation of the way images can change. We propose a novel method for formulating and presenting spatial explanations of disease evidence, called deformation field interpretation with generative adversarial networks (DeFI-GAN). An adversarially trained generator produces deformation fields that modify images of diseased patients to resemble images of healthy patients. We validate the method studying chronic obstructive pulmonary disease (COPD) evidence in chest x-rays (CXRs) and Alzheimer’s disease (AD) evidence in brain MRIs. When extracting disease evidence in longitudinal data, we show compelling results against a baseline producing difference maps. DeFI-GAN also highlights disease biomarkers not found by previous methods and potential biases that may help in investigations of the dataset and of the adopted learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI