核心加权贡献:用于医学成像中的3D深度学习细分的视觉归因方法
1University of Iowa, Iowa Institute for Biomedical Imaging, Iowa City, Iowa, United States.
Journal of medical imaging (Bellingham, Wash.)
|September 11, 2023
概括
核心加权贡献为3D医学图像细分模型提供了卓越的视觉解释. 这种方法提高了理解和验证,为医疗保健更广泛采用深度学习工具铺平了道路.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 计算机视觉 计算机视觉
背景情况:
- 深度学习模型越来越多地用于医疗图像细分.
- 解释这些模型的决策对于对医疗保健的信任和采用至关重要.
- 当前的归因方法可能不适合医疗图像细分任务.
研究的目的:
- 介绍核心加权贡献,这是一种用于3D医疗图像细分的新型视觉解释方法.
- 开发对深度学习模型决策的准确和可解释的解释.
- 根据激活地图贡献来评估特征的重要性.
主要方法:
- 在已知基本真相的合成数据集上评估内核加权贡献方法.
- 将该方法与五种模型层组合中的其他三种归因技术进行比较.
- 用全面的质量指标分析100个测试样本的解释.
主要成果:
- 应用到编码器和解码器部分时,核权重贡献产生了更好的解释.
- 这种方法在使用相同的模型层时,在五项实验中的四项中表现优于其他方法.
- 与GradCAM++相比,在特定解码器层上观察到相当优异的性能.
结论:
- 核心加权贡献方法为医学图像细分模型提供了量身定制的高质量的解释.
- 这种方法有效地利用了细分模型的架构特点.
- 合成数据集和方法实施是公开可用于研究的.


