Interpretable Representation Learning of Cardiac MRI via Attribute Regularization

要約

臨床医が人工知能モデルを理解し、信頼できるようにするには、医療画像処理において解釈可能性が不可欠です。
最近、潜在空間内の属性をエンコードして解釈可能性を高めるためのいくつかのアプローチが検討されています。
特に、属性の正則化は、潜在表現の次元に沿って一連の属性をエンコードすることを目的としています。
ただし、このアプローチは変分 AutoEncoder に基づいているため、再構築がぼやけるという問題があります。
この論文では、敵対的に訓練された変分オートエンコーダのフレームワーク内で潜在空間の属性正則化を組み合わせた、属性正則化ソフト内省的変分オートエンコーダを提案します。
英国バイオバンクの短軸心臓磁気共鳴画像で、潜在空間の解釈可能性を維持しながら、変分オートエンコーダー法のぼやけた再構成問題に対処する提案された方法の能力を実証します。

要約(オリジナル)

Interpretability is essential in medical imaging to ensure that clinicians can comprehend and trust artificial intelligence models. Several approaches have been recently considered to encode attributes in the latent space to enhance its interpretability. Notably, attribute regularization aims to encode a set of attributes along the dimensions of a latent representation. However, this approach is based on Variational AutoEncoder and suffers from blurry reconstruction. In this paper, we propose an Attributed-regularized Soft Introspective Variational Autoencoder that combines attribute regularization of the latent space within the framework of an adversarially trained variational autoencoder. We demonstrate on short-axis cardiac Magnetic Resonance images of the UK Biobank the ability of the proposed method to address blurry reconstruction issues of variational autoencoder methods while preserving the latent space interpretability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google