.png){kind=icon}
返回
Morphometric Explanations for Deep Learning Based Neuroimaging Classifiers
.png){kind=icon}
OA
AI
DOI：10.1002/hbm.70633.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管基于深度学习的医学影像分类器在检测复杂神经退行性疾病方面的准确性不断提高，但其决策过程中固有的不透明性和不可解释性给临床和研究应用带来了挑战。虽然现有的可解释性方法能提供分类决策的宏观洞察，但无法直接解释分类器如何利用特定图像信息进行分类。几何或形态学上的脑部变化在多种神经退行性疾病中普遍存在，解释分类器如何利用这些变化能为领域专家提供易于理解的、关于形态学特征如何贡献于分类决策的见解。本研究提出了一种反事实方法，用于解释深度学习分类器在分类图像实例时使用的形态学特征。此外，为更清晰地理解分类器在群体水平上普遍使用的形态学特征，我们将实例级解释结合，描述了在MNI152空间中分类器所利用的平均形态学脑部变化。该方法在用于检测帕金森病（PD）和模拟疾病的T1加权MRI分类器上进行了测试。结果表明，本方法生成的反事实图像能够解释学习到的与疾病相关的图像信息，因为通过修改图像形态学中被解释的方面，PD分类器对超过98%的图像分类结果发生了改变。通过提取深度学习分类器所使用的几何解释，未来的研究可通过将分类器与现有疾病知识进行验证来提升其可信度，并可能利用这些分类器探索新的疾病过程。代码可从以下网址获取：https://github.com/ankusharudkar/Morphometric-Explanations。
Keyword:
counterfactual explanation
explainable artificial intelligence
magnetic resonance imaging
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。