Interpretable Alzheimer’s Disease Classification Via a Contrastive Diffusion Autoencoder

要約

視覚的なオブジェクト分類では、人間はオブジェクトをそのクラス内のプロトタイプの例と比較することによって自分の選択を正当化することがよくあります。
したがって、深層学習モデルに同様の推論スタイルを吹き込むことで、深層学習モデルの解釈可能性を高めることができます。
この研究では、潜在空間内のトレーニング例と画像の類似性に基づいてアルツハイマー病を分類することにより、この原理を適用します。
拡散オートエンコーダーのバックボーンと組み合わせたコントラスト損失を使用して、隣接する潜在が同様の画像レベルの特徴を持つように、意味的に意味のある潜在空間を生成します。
私たちは、人間が解釈可能なモデルの説明を生成しながら、2D MRI 画像のデータセットに対してブラック ボックス アプローチに匹敵する分類精度を達成します。
したがって、この研究は、医療画像における正確で解釈可能な深層学習の適切な開発への貢献となります。

要約(オリジナル)

In visual object classification, humans often justify their choices by comparing objects to prototypical examples within that class. We may therefore increase the interpretability of deep learning models by imbuing them with a similar style of reasoning. In this work, we apply this principle by classifying Alzheimer’s Disease based on the similarity of images to training examples within the latent space. We use a contrastive loss combined with a diffusion autoencoder backbone, to produce a semantically meaningful latent space, such that neighbouring latents have similar image-level features. We achieve a classification accuracy comparable to black box approaches on a dataset of 2D MRI images, whilst producing human interpretable model explanations. Therefore, this work stands as a contribution to the pertinent development of accurate and interpretable deep learning within medical imaging.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google