Interpretable Alzheimer’s Disease Classification Via a Contrastive Diffusion Autoencoder

要約

視覚的なオブジェクトの分類において、人間はしばしば、オブジェクトをそのクラス内の原型的な例と比較することによって、その選択を正当化する。したがって、深層学習モデルにも同様の推論スタイルを持たせることで、深層学習モデルの解釈可能性を高めることができる。本研究では、この原理を応用し、潜在空間内の学習例に対する画像の類似性に基づいてアルツハイマー病を分類する。我々は、拡散オートエンコーダー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、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する。我々は、2次元MRI画像のデータセットにおいて、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するとともに、人間が解釈可能なモデル説明を作成することができた。したがって、この研究は、医療用画像処理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るものである。

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, DeepL