【文件属性】：
文件名称：Pytorch-LRP:PyTorch中的基本LRP实施
文件大小：3.32MB
文件格式：ZIP
更新时间：2021-05-05 01:50:38
JupyterNotebook
分层相关传播，用于解释基于MRI的阿尔茨海默氏病分类中的深层神经网络决策
莫里茨·博莱（MoritzBöhle），法比安·埃特尔（F* Eitel），马丁·韦甘特（Martin Weygandt）和克斯坦·里特
预印本： :
摘要：深层神经网络已导致许多医学成像任务的最新成果，包括基于结构磁共振成像（MRI）数据的阿尔茨海默氏病（AD）检测。 但是，网络决策通常被认为是高度不透明的，因此很难将这些算法应用于临床程序。 在这项研究中，我们建议使用分层相关传播（LRP）来可视化基于MRI数据的AD的卷积神经网络决策。 与其他可视化方法类似，LRP在输入空间中生成一个热图，以指示每个体素对最终分类结果做出贡献的重要性/相关性。 与引导反向传播产生的磁化率图相反（“体素的哪个变化最能改变结局？”），LRP方法能够直接突出显示输入空间中对网络分类的积极贡献。 特别是，我们表明（1）LRP
【文件预览】：
Pytorch-LRP-master
----.gitignore(52B)
----ADNI Training.ipynb(1.2MB)
----Data Split ADNI.ipynb(99KB)
----requirements.txt(63B)
----license.txt(1KB)
----MNIST example.ipynb(363KB)
----jrieke()
--------datasets.py(10KB)
--------models.py(2KB)
--------utils.py(7KB)
--------interpretation.py(23KB)
----mnist_test.py(2KB)
----Plotting brain maps.ipynb(1.88MB)
----utils.py(2KB)
----README.md(5KB)
----Compare intersection of top 10 regions.ipynb(47KB)
----nitorch()
--------trainer.py(21KB)
--------transforms.py(12KB)
--------license.txt(1KB)
--------inference.py(5KB)
--------models.py(23KB)
--------utils.py(3KB)
--------metrics.py(489B)
--------loss.py(3KB)
--------initialization.py(583B)
--------callbacks.py(15KB)
--------data.py(5KB)
----innvestigator.py(10KB)
----nmm_mask_areas.py(4KB)
----mymodel(87KB)
----inverter_util.py(22KB)
----Beta Correlation.ipynb(60KB)
----Plotting result graphs.ipynb(624KB)
----binary_brain_mask.nii.gz(242KB)
----settings.py(2KB)
----docker()
--------Dockerfile(621B)
--------docker-compose.yml(419B)
----Evaluate GB and LRP.ipynb(390KB)