计算机辅助胆病诊断使用可解释的卷积神经网络
Dheeraj Kumar1,2, Mayuri A Mehta3, Ketan Kotecha4,5
1Department of Computer/IT Engineering, Gujarat Technological University, Ahmedabad, India. dheeraj.singh@paruluniversity.ac.in.
Scientific reports
|February 5, 2025
概括
这项研究引入了一种新的卷积神经网络 (CNN) 方法,用于从超声波图像中诊断胆结石 (胆结石). 该方法通过视觉解释提高了透明度,优于现有的模型.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 诊断技术 诊断技术 诊断技术
背景情况:
- 准确的胆病诊断对于全球健康至关重要.
- 现有的使用卷积神经网络 (CNN) 模型的计算机辅助诊断 (CAD) 系统因其黑子性质而受到限制,妨碍了临床信任.
- 在医学诊断中需要可解释的AI模型.
研究的目的:
- 提出一种新的,可解释的基于CNN的方法,用于使用超声波图像进行胆病分类.
- 通过合成数据生成增强模型概括性.
- 提高AI在医学诊断中的透明度和可信度.
主要方法:
- 开发一个定制的CNN架构,用于胆病的分类.
- 使用修改后的深卷积生成对抗网络 (DCGAN) 来创建合成超声波图像.
- 实施混合视觉解释方法,结合梯度加权类激活映射 (Grad-CAM) 和局部可解释的模型不可知解释 (LIME).
- 来自印度三家医院的超声波图像的性能评估,包括放射科医生的验证.
主要成果:
- 拟议的定制CNN方法与先进的预训练CNN和视觉变压器模型相比,表现出了卓越的性能.
- 混合解释方法生成了热图,为模型的预测提供了详细的视觉洞察.
- 放射科医生的验证证实了该模型预测和解释的有效性和可靠性.
结论:
- 新的CNN方法与混合视觉解释为计算机辅助胆病诊断提供了有效和透明的解决方案.
- 该方法通过提供可解释的结果,提高了对人工智能驱动的医学诊断的信任.
- 这项工作有助于推进AI在医学成像中的应用,以改善患者的治疗结果.
关键词:
胆结石病的预测可解释的人工智能可解释的卷积神经网络胆囊疾病诊断 胆囊疾病诊断胆结石的分类 胆结石的分类这是Grad-CAM.在 LIME 时代,医疗图像分析 医学图像分析超声波图像分析分析美国有线电视新闻网的视觉解释更多相关视频
03:56A Two-Step Method for Percutaneous Transhepatic Choledochoscopic Lithotomy
Published on: September 13, 2022
2.3K
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
