Pytorch-LRP:PyTorch中的基本LRP实施

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（Fabian 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