A Weakly Supervised and Globally Explainable Learning Framework for Brain Tumor Segmentation

要約

機械ベースの脳腫瘍セグメンテーションは、医師がより良い診断を下すのに役立つ。しかし、脳腫瘍の複雑な構造と高価なピクセルレベルの注釈は、自動的な腫瘍セグメンテーションの課題となっている。本論文では、画素レベルの注釈を必要とせずに卓越した脳腫瘍セグメンテーション性能を達成するだけでなく、説明可能性も提供する反実仮想生成フレームワークを提案する。本フレームワークは、サンプルのクラス関連特徴量とクラス非関連特徴量を効果的に分離し、異なるクラス関連特徴量を埋め込むことでクラス属性を変更しつつ、同一性特徴量を保持した新たなサンプルを生成する。抽出されたクラス関連特徴に対して位相幾何学的データ解析を行い、大域的に説明可能な多様体を得ることで、セグメンテーションされる各異常サンプルに対して、腫瘍領域を特定するための比較のために多様体内で設計されたルールベースのパスのガイダンスにより、意味のある正常サンプルを効果的に生成することができる。提案手法を2つのデータセットで評価し、脳腫瘍セグメンテーションの優れた性能を実証する。コードはhttps://github.com/xrt11/tumor-segmentation。

要約(オリジナル)

Machine-based brain tumor segmentation can help doctors make better diagnoses. However, the complex structure of brain tumors and expensive pixel-level annotations present challenges for automatic tumor segmentation. In this paper, we propose a counterfactual generation framework that not only achieves exceptional brain tumor segmentation performance without the need for pixel-level annotations, but also provides explainability. Our framework effectively separates class-related features from class-unrelated features of the samples, and generate new samples that preserve identity features while altering class attributes by embedding different class-related features. We perform topological data analysis on the extracted class-related features and obtain a globally explainable manifold, and for each abnormal sample to be segmented, a meaningful normal sample could be effectively generated with the guidance of the rule-based paths designed within the manifold for comparison for identifying the tumor regions. We evaluate our proposed method on two datasets, which demonstrates superior performance of brain tumor segmentation. The code is available at https://github.com/xrt11/tumor-segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL