优化推理分布,以高效地对脏瘤进行细分,使用UNet-PWP深度学习模型与CT扫描图像上的XAI
P Kiran Rao1,2, Subarna Chatterjee2, M Janardhan3
1Artificial Intelligence, Department of Computer Science and Engineering, Ravindra College of Engineering for Women, Kurnool 518001, India.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
一个新的UNet-PWP架构使用自适应分区和预训练的重量有效地对瘤进行细分. 这种方法达到97.01%的准确性,优于DeepLab V3+并为临床使用提供可解释的AI洞察力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算病理学计算病理学
背景情况:
- 由于无症状的呈现,脏瘤带来了诊断挑战,需要早期检测.
- 神经网络显示出疾病预测的前景,但在临床环境中经常面临计算局限性.
研究的目的:
- 介绍UNet-PWP架构,以实现高效的瘤细分.
- 解决医学成像中神经网络的计算复杂性约束.
- 提高模型性能和可用于临床应用的可解释性.
主要方法:
- 开发了UNet-PWP架构,具有自适应分区,以创建更小的子模型.
- 使用预训练重量增加了UNet深度,以提高细分能力.
- 应用了重量修剪技术来优化模型,并将注意力和Grad-CAM XAI纳入解释性.
主要成果:
- 在训练和测试数据集上,UNet-PWP实现了97.01%的准确性,超过了DeepLab V3+.
- 适应式分区和重量修剪使该模型在不降低性能的情况下进行了简化.
- 可解释的AI方法为模型预测提供了洞察力,增强了临床信任.
结论:
- 联网-PWP架构为瘤细分提供了高效准确的解决方案.
- 该模型的可解释性对于其被医疗保健专业人员采用至关重要.
- 这种方法表明了优化神经网络在临床诊断中的潜力.


