XRelevanceCAM:在基于探针的共聚焦激光内显微镜中,以改善病理结构的局部化来实现可解释的组织特征
Jianzhong You1, Serine Ajlouni2, Irini Kakaletri3
1Department of Computing, Imperial College London, Huxley Building, 180 Queen's Gate, South Kensington, London, UK. jianzhong.you21@imperial.ac.uk.
概括
XRelevanceCAM通过提供基于探针的共聚焦激光内分显微镜 (pCLE) 图像分析的透明解释来改善脑瘤切除. 这种深度学习方法增强了关键组织区域的可视化,帮助外科医生实时决策.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 神经外科 神经外科
背景情况:
- 基于探针的共聚焦激光内显微镜 (pCLE) 有助于手术内脑瘤的表征,可能改善切除率.
- 深度学习模型提供自动组织分析,但往往缺乏透明度,阻碍了临床信任和可解释性.
- 现有的解释方法,如类激活地图 (CAM) 变体,与透明度和破碎梯度问题作斗争.
研究的目的:
- 介绍XRelevanceCAM,这是一种用于PCLE的深度学习模型的新解释方法.
- 为在脑瘤切除中提供外科决定支持的人类可解读的视觉解释.
- 解决现有的CAM技术的局限性,包括透明度和破碎梯度问题.
主要方法:
- 开发了基于改进的反向传播方法的XRelevanceCAM,该方法结合了灵敏度和保存公理.
- 利用脑瘤的ex vivo pCLE数据进行定性和定量评估.
- 将XRelevanceCAM与基线方法进行比较,包括RelevanceCAM,使用平均交叉点在欧盟 (mIoU) 和基准真相注释.
主要成果:
- 在PCLE图像中,XRelevanceCAM有效地突出显示临床相关的组织区域.
- 与最近的基线 (RelevanceCAM) 相比,在最浅的网络层中实现了56%的mIoU改进.
- 在生成所有网络层的突出性地图时,在mIoU中表现出6%的改进.
结论:
- XRelevanceCAM是一种新的类激活地图 (CAM) 变体,用于精确识别PCLE数据中的关键结构.
- 该方法为手术环境中的深度学习模型提供了更高的透明度和可解释性.
- 在脑瘤切除手术期间,XRelevanceCAM可以显著帮助手术内决策支持.
更多相关视频
10:35Multimodal Imaging and Spectroscopy Fiber-bundle Microendoscopy Platform for Non-invasive, In Vivo Tissue Analysis
Published on: October 17, 2016
7.9K
09:24Optical Screening of Novel Bacteria-specific Probes on Ex Vivo Human Lung Tissue by Confocal Laser Endomicroscopy
Published on: November 29, 2017
7.5K
