通过特征组合进行标志性注释:对脑表图像进行比较研究,并对模型可解释性的深入分析
Rashmi S1, Srinath S1, Prashanth S Murthy2
1Dept. of Computer Science and Engineering, Sri Jayachamarajendra College of Engineering, JSS Science and Technology University, Mysuru, 570006, India.
Dento maxillo facial radiology
|January 2, 2024
概括
这项研究使用机器学习在脑电图像中自动化了解剖学地标定位. 定向梯度 (HOG) 的直方图在局部环境中实现了最高的成功检测率,提高了准确性和可解释性.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 计算机视觉 计算机视觉
背景情况:
- 自动化解剖学地标定位对于脑力测量分析至关重要.
- 当前的方法往往缺乏可解释性和强大的特征提取.
研究的目的:
- 评价机器学习技术,用于自动化地标定位在脑电图像.
- 为了探索特征提取,组合,上下文分析和模型解释性,使用Shapley添加式扩展 (SHAP) 值.
主要方法:
- 在300个横向头像图上使用像素特征描述器 (原始像素,梯度大小,梯度方向,定向梯度直方图 - HOG) 进行实验.
- 在本地,金字塔和全球背景下评估特征.
- 标志性/非标志性像素辨别的分类.
- 应用SHAP值来解释光梯度增强机 (LGBM) 模型.
主要成果:
- 定向梯度 (HOG) 的直方图和梯度方向特征在各种环境中显示出显著的性能.
- 全球纹理上下文提供了卓越的性能,但增加了测试时间.
- 在本地范围内,HOG取得了最高的成功检测率 (SDR),达到75.84%.
结论:
- 功能组合显著影响地标注释的准确性.
- 这项研究强调了特征选择和背景在自动脑测量分析中的重要性.
- 像SHAP值这样的可解释性方法有助于理解和进一步开发地标特定特征组合.
更多相关视频
07:16Author Spotlight: Development of a Novel Finite Element Analysis Model for Improved Orthognathic Surgical Techniques
Published on: October 20, 2023
1.3K
10:23Author Spotlight: Three-Dimensional Cephalometric Landmark Annotation Demonstration on Human Cone Beam Computed Tomography Scans
Published on: September 8, 2023
2.8K
