1788
0
0
2022-11-02 21:35:48
2022-11-02
Learning Group-Disentangled Representation for Interpretable Thoracic Pathologic Prediction
論文下載地址：
2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), CCF-B（錄用率20%）
深度學(xué)習(xí)方法在醫(yī)學(xué)圖像分析任務(wù)中表現(xiàn)出了顯著的性能。然而，該類(lèi)方法通常在特征提取和決策過(guò)程中表現(xiàn)得像沒(méi)有解釋的“黑匣子”，導(dǎo)致缺乏臨床洞察力和高風(fēng)險(xiǎn)評(píng)估。為了幫助深度學(xué)習(xí)用視覺(jué)線索判斷疾病，我們提出了表示組解耦網(wǎng)絡(luò)（RGD-Net），它可以將輸入X射線圖像的特征空間完全分解為幾個(gè)獨(dú)立的特征組，每個(gè)特征組對(duì)應(yīng)于特定的疾病。通過(guò)完全解耦，RGD網(wǎng)絡(luò)提高了醫(yī)學(xué)圖像分析中特征提取和決策的可解釋性和準(zhǔn)確性。RGD-Net以多幅語(yǔ)義相關(guān)和標(biāo)記的X射線圖像為輸入，首先通過(guò)組解耦模塊提取疾病的完全組解耦表示，該模塊應(yīng)用組交換和鏈接操作，通過(guò)增強(qiáng)屬性的語(yǔ)義一致性來(lái)構(gòu)建潛在空間。為了防止學(xué)習(xí)被定義為捷徑問(wèn)題的退化表示，我們進(jìn)一步在從特征到疾病的映射上引入了對(duì)抗性約束，從而避免了模型因自由形式組解耦而崩潰。在chestxray-14和ChestXpert數(shù)據(jù)集上的實(shí)驗(yàn)表明，RGD網(wǎng)絡(luò)在預(yù)測(cè)疾病方面具有顯著優(yōu)勢(shì)，它利用了導(dǎo)致不同疾病的潛在因素，從而增強(qiáng)了深度學(xué)習(xí)方法工作的可解釋性。
