基于优化DeepLabV3+和解释网络信息融合的MRI扫描的多式脑瘤细分和分类,并通过可解释的AI授权解释网络信息融合

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 可解释性AI (XAI) 对于理解和信任医疗成像中的机器学习 (ML) 模型至关重要.
• 深度学习模型经常充当"黑子",需要在临床环境中解释其决策的方法.
• 准确的细分和脑瘤的分类对于有效的诊断和治疗规划至关重要.

研究的目的:

• 提出一种新的深度学习和可解释的基于人工智能的框架,用于脑瘤细分和分类.
• 提高AI模型在医学图像分析中的可解释性和可信度.
• 使用先进的ML技术,实现高精度的细分和分类脑瘤.

主要方法:

• 对于瘤细分,使用了DeepLabv3+架构与贝叶斯优化 (BO) 进行超参数初始化.
• 在多个尺度的特征提取中使用了Atrous Spatial Pyramid Pooling (ASPP).
• 两个定制模型,反向剩余瓶96层 (IRB-96) 和反向剩余瓶自我注意 (IRB-Self),是为分类而开发的,利用全球平均汇集和自我注意功能.
• 为了实现模型的可解释性,实施了LIME (局部可解释模型-不可知解释) 方法.

主要成果:

• 拟议的框架在Figshare数据集上实现了92.68%的平均细分精度.
• 该框架获得了大脑瘤的平均分类准确率为95.42%.
• 与现有的最先进的技术相比,实验结果显示了更高的准确性.

结论:

• 开发的深度学习和XAI框架有效地细分和分类高精度的大脑瘤.
• 整合XAI方法提高了AI驱动的医学图像分析的透明度和可靠性.
• 提出的方法为改善神经瘤学诊断能力提供了一个有希望的解决方案.