[论文解读] A New Approach for Explainable Multiple Organ Annotation with Few Data

Régis Pierrard, Jean-Philippe Poli+1 more|arXiv (Cornell University)|Dec 30, 2019

Machine Learning in Healthcare参考文献 39被引用 6

一句话总结

该论文提出了一种符号-模糊推理框架，通过少量标注的医学图像学习空间关系，实现可解释的多器官标注。通过将器官关系建模为模糊约束，仅使用两个训练样本即达到99%的准确率，实现了高精度、可解释的分割，并基于空间推理生成语言化解释。

ABSTRACT

Despite the recent successes of deep learning, such models are still far from some human abilities like learning from few examples, reasoning and explaining decisions. In this paper, we focus on organ annotation in medical images and we introduce a reasoning framework that is based on learning fuzzy relations on a small dataset for generating explanations. Given a catalogue of relations, it efficiently induces the most relevant relations and combines them for building constraints in order to both solve the organ annotation task and generate explanations. We test our approach on a publicly available dataset of medical images where several organs are already segmented. A demonstration of our model is proposed with an example of explained annotations. It was trained on a small training set containing as few as a couple of examples.

研究动机与目标

• 解决在临床环境中低样本量医学图像标注中高可解释性的挑战。
• 弥合深度学习在临床应用中性能优越但缺乏可解释性的鸿沟。
• 仅使用少量训练样本实现精确的器官标注，减少对大规模标注数据集的依赖。
• 通过学习器官之间的模糊空间关系，生成人类可读的、基于语言的解释。
• 将器官识别形式化为模糊约束满足问题，以支持推理与解释生成。

提出的方法

• 该方法从少量标注的医学图像中学习器官之间的模糊关系，利用模糊逻辑表示空间与结构关系。
• 通过评估训练样本中关系的频率与一致性，提取最相关的关系，并应用阈值过滤噪声。
• 将这些关系转化为模糊约束，以定义图像中器官可行的空间配置。
• 将标注任务形式化为模糊约束满足问题（FCSP），其中每个器官根据约束一致性被分配一个可能标签的定义域。
• 通过追踪导致特定标签分配的活跃约束生成解释，使用对模糊关系的语言描述（例如，“位于……左侧”、“对称于”）。
• 该框架整合了符号推理与统计感知，通过模糊隶属函数增强了对分割不精确性的鲁棒性。

实验结果

研究问题

• RQ1 模型是否能在仅使用少量标注图像样本的情况下，实现医学图像中高精度的器官标注？
• RQ2 模糊空间关系是否能被有效学习并用于生成人类可理解的器官标注决策解释？
• RQ3 符号推理与少样本学习的结合在医学图像分析中如何同时提升准确率与可解释性？
• RQ4 模糊逻辑在多大程度上能处理器官分割中的不精确性，同时保持可靠的基于约束的推理？
• RQ5 解释的质量与一致性在多大程度上与模型性能及临床环境中用户信任度相关？

主要发现

• 即使仅使用两幅标注图像进行训练，模型的最小准确率仍达99%，展现出强大的少样本泛化能力。
• 该方法优于需要更大训练集且无法提供解释的深度卷积神经网络基线模型，表明其样本效率更优。
• 模型不会遗漏任何标签，因为FCSP中的所有变量都必须被分配有效定义域，从而确保了完整性。
• 通过追踪活跃的模糊约束生成解释，例如“器官X位于器官Y上方”或“对称于”，提供可解释的语言化理由。
• 由于采用模糊逻辑，系统对器官间微小形状差异具有鲁棒性，能够容纳不精确的边界。
• 只要训练样本不是异常值，即使仅使用一个样本，该方法也有效，因为约束的形成依赖于频繁且一致的关系。