IMoVR-Net:一个强大的可解释网络,用于从TAO面部图像中识别多眼病变

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 甲状腺相关眼科医症 (TAO) 诊断严重依赖医生的主观经验,阻碍了早期检测.
• 眼睛疾病的现有深度学习模型在特征学习,模型结构和神经元数量方面缺乏强大的解释性,影响透明度.
• 准确和可解释的AI工具对于改善TAO诊断和患者治疗结果至关重要.

研究的目的:

• 为TAO多眼病变识别提出一个可解释的强大的多方向视觉识别网络 (IMoVR-Net).
• 在TAO诊断的背景下,提高深度学习模型的可解释性.
• 在TAO认可方面实现最先进的绩效,重点是透明度.

主要方法:

• 开发了一种使用DenseGabor模块和扩展Gabor卷积的多导向视觉级联编码器,通过交替过来提取精细的,多方向的TAO损伤特征.
• 引入基于拓能量的优化规则,整合信息理论和拓学,为模型结构确定提供理论解释性.
• 实施了一个聚类相关性分析方法来确定卷积隐藏神经元的数量,确保神经元选择中的强大可解释性.

主要成果:

• 拟议的IMoVR-Net在TAO眼数据集上实现了最先进的性能.
• 实现了0.878的平均精度,87.27%的灵敏度,0.875的精度和87.39%的F1得分.
• 在特征提取,模型结构和神经元选择方面展示了强大的可解释性,超过了现有的先进模型.

结论:

• IMoVR-Net在TAO的客观和可解释的诊断方面取得了重大进展.
• 该网络强大的识别能力和固有的解释性表明有前途的临床应用.
• 这种可解释的AI方法解决了眼科主观诊断和不透明的深度学习模型的局限性.