胸部X射线分类器的定位监督使用标签特定的眼球追踪注释

科学领域:

• 医学成像分析分析 医学成像分析
• 放射学中的人工智能
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 卷积神经网络 (CNN) 是有效的胸部X射线 (CXR) 分析.
• 使用边界框定位异常的可解释AI模型至关重要,但由于昂贵的数据采集而受到限制.
• 眼睛跟踪 (ET) 数据为训练本地化模型提供了一个潜在的替代方案.

研究的目的:

• 调查放射科医生眼睛跟踪 (ET) 数据对训练CNN在CXR图像中定位异常的实用性.
• 在不影响分类性能的情况下,提高CXR分析CNN的可解释性.

主要方法:

• 在CXR报告指令期间从放射科医生收集ET数据.
• 提取的ET数据片段与特定的关键字相关.
• 使用这些外星人数据片段来监督CNN中异常的定位.
• 评估了对模型解释性和图像级分类准确性的影响.

主要成果:

• 提出的方法成功地利用了外星人的数据来训练CNN来定位异常.
• 通过改进的本地化功能,模型的解释性得到了增强.
• 图像级分类性能没有受到ET监督本地化整合的影响.

结论:

• 可以有效地利用眼睛跟踪数据来训练可解释的CNN进行CXR分析.
• 这种方法提供了一种具有成本效益的方法来提高AI模型本地化能力.
• 这些发现表明,在医学成像中开发更加透明和可靠的AI工具是一个有希望的方向.