可解释的DCNN决策框架用于基于癌症特征的超声波图像对乳腺损伤的分类

科学领域:

• 医学图像分析 医学图像分析
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 深度卷积神经网络 (DCNNs) 在医学图像分析方面出色,特别是在超声波 (US) 图像中对乳腺病变进行分类.
• 能够解释DCNN决策对于医疗保健系统的采用和信任至关重要.
• 目前的DCNN解决方案缺乏医疗诊断中的透明决策过程.

研究的目的:

• 在超声波图像中提供一个新的框架来解释DCNN分类决策.
• 将DCNN衍生的突出性地图与已确定的癌症特征联系起来,以提高可解释性.
• 为了证明框架在乳腺损伤分类中的实用性.

主要方法:

• 使用转移学习方法开发了用于超声波图像分类的DCNN模型.
• 应用可视化方法 (EGrad-CAM,Ablation-CAM) 来生成突出地图.
• 映射度图输出到已知的癌症特征 (回声性,化,形状,边缘) 良性和恶性病变.

主要成果:

• 开发的框架成功地解释了乳腺病变的DCNN分类决定.
• Saliency 地图显示了诸如回声性,化,形状和边缘等特征对损伤分类的明显贡献.
• 这项研究使用了1298张超声波图像的回顾性数据集进行评估.

结论:

• 拟议的框架提高了DCNN模型在医学图像分析中的可解释性.
• 了解特定特征的贡献可以提高AI在诊断中的信任和接受.
• 这项工作为解释其他癌症类型的DCNN决定奠定了基础.