Dec, 2023

属性规范化软直觉变分自编码器用于可解释的心脏疾病分类

PDF
TL;DR通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，本文提出一种新的可解释性方法，对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。此外，对下游任务的分析揭示了使用正则化潜空间进行心脏疾病分类的依赖程度，通过将用于预测的属性与临床观察联系起来，展现出了很好的解释性。
interpretabilitymedical imagingartificial intelligence modelsvariational autoencodercardiac mri dataset
发现论文，激发创造
  • 基于属性正则化的心脏 MRI 可解释化表示学习

    在医学成像中，可解释性对于确保临床医生能够理解和信任人工智能模型至关重要。最近考虑了几种方法来在潜在空间中编码属性以增强其可解释性。本文提出了一种基于属性正则化的软内省变分自动编码器，将潜在空间的属性正则化与对抗训练的变分自动编码器框架相结合。我们在英国生物银行的短轴心脏磁共振图像上展示了所提方法解决了变分自动编码器方法的模糊重建问题，并保持了潜在空间的可解释性。

    Jun, 2024

  • 属性正则化的软内视 VAE：通过 MRI 领域推进心脏属性的正则化

    通过将属性正则化的损失函数融入到软引导 VAE 框架中，我们提出了 Attributed Soft Introspective VAE（Attri-SIVAE），该方法在医学影像中实现了类似的重建和正则化性能，并在不同数据集上保持相同的正则化水平。

    Jul, 2023

  • 心脏 MRI 分类的全局与局部可解释性

    本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。

    Jun, 2019

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020

  • 探索潜在路径：用变分自编码器提高自动驾驶的可解释性

    自动驾驶中引入了一种基于生物启发的神经回路策略模型，整合了变分自编码器，提供了一种直接从输入摄像头图像生成转向命令的解决方案，并通过自动潜在扰动工具提高了系统的可解释性。该研究证明了变分自编码器 - 神经回路策略模型的解释能力，以及自动潜在扰动工具在提高自动驾驶系统内部工作透明度方面的实用性。

    Apr, 2024

  • 通过对比扩散自编码器进行可解释的阿尔茨海默病分类

    通过对潜空间内的图像与训练样例的相似性进行分类，本文探究基于原型例子的类别推理方法在深度学习模型中的应用，成功应用于医学图像学领域，提高了深度学习模型的可解释性。

    Jun, 2023

  • 基于可变近似的无监督域自适应在心脏分割中的应用

    本研究提出了基于变分自编码器的无监督域自适应方法，通过在两个领域中应用相同参数的变分分布实现域之间的映射，结合分割模块以进行心脏分割，并在两个跨模态和跨序列的心脏分割任务中证明了该方法的有效性和优势。

    Jun, 2021

  • 可解释的句子表示：变分自编码器和注意力机制

    提出使用变分自编码器和 Transformers 构建两种具有归纳偏置的模型，可将潜在表示中的信息分离成可理解的概念，其中 QKVAE 在转移实验中表现出竞争性能，并展示了明显的优化句法角色分离能力。

    May, 2023

  • 使用变分自编码器生成可解释的表示

    本文提出了一个框架，利用结构化图形模型在变分自动编码器（VAEs）的编码器中导出可解释的表达，使得在给定图形模型的结构限制下执行推理，并使用深度生成模型处理高维度的杂乱领域变得更容易。同时在无监督和半监督的情况下，通过变分目标进行端对端的学习。

    Nov, 2016

  • GLSR-VAE: 变分自编码器架构的测地潜空间正则化

    该论文介绍了 GLSR-VAE，一种 Geodesic Latent Space Regularization 方法，该方法可以在生成数据时对数据进行微调，并演示了在一个单声部音乐生成任务中生成音乐变化的有效性。

    Jul, 2017