基于分数的反事实生成用于可解释的医疗图像分类和损伤定位

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度神经网络 (DNN) 在生物医学成像中显示出临床决策的前景.
• 高质量和足够的数据对于DNN的性能至关重要,但医学成像数据往往稀缺和不平衡.
• 外部因素可能引入不确定性和不自然特征,影响数据分布估计.

研究的目的:

• 提出一个新的框架,用于生成反事实医疗图像,以解决数据稀缺和不平衡的问题.
• 整合一个FuzzyBlock来管理来自外部物理因素的不确定性.
• 评估框架在分类和损伤定位任务中的有效性.

主要方法:

• 开发了一个基于分数的反事实生成 (SCG) 框架,以创建来自隐性空间的合成图像.
• 将可学习的FuzzyBlock集成到分类器中,以处理数据不确定性.
• 将SCG框架应用于生物医学成像中的分类和病变定位任务.

主要成果:

• 该SCG框架显著改善了分类任务的性能.
• 与最先进的方法相比,观察到平均3 - 5%的性能提升.
• 该框架在可解释的损伤定位任务中表现出有效性.

结论:

• 拟议的SCG框架有效地弥补了生物医学成像中的数据稀缺和不平衡.
• 整合FuzzyBlock有助于管理不确定性,从而实现更强大的DNN性能.
• 该框架为在临床决策和医学图像分析中增强DNN提供了一个有希望的解决方案.