调整分类神经网络架构用于医疗图像细分使用可解释的AI
Arturs Nikulins1, Edgars Edelmers1,2,3, Kaspars Sudars3
1Faculty of Computer Science, Information Technology and Energy, Riga Technical University, LV-1048 Riga, Latvia.
Journal of imaging
|February 25, 2025
概括
这项研究适应了分类神经网络用于医疗图像细分,减少了对手工注释的需求. 像GuidedBackprop这样的可解释的人工智能 (XAI) 方法有效地突出了脑瘤数据集中的异常.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 细分神经网络对于医学图像分析至关重要,但需要大量的注释数据和手动细分,这给隐私和效率带来了挑战.
- 分类神经网络捕获对象识别的基本特征,为细分任务提供潜在的替代方案.
- 可解释的人工智能 (XAI) 技术可以提供关于神经网络决策过程的见解.
研究的目的:
- 调整分类神经网络用于医疗图像细分,从而减少对手工细分和注释数据的依赖.
- 调查XAI技术在从分类模型中生成细分类型输出方面的有效性.
- 解决数据隐私问题,提高医学图像分析的效率.
主要方法:
- 使用ResNet分类的神经网络架构.
- 在培训和评估中使用了医学细分十大赛"脑瘤"数据集.
- 应用各种XAI工具,包括GuidedBackprop,以生成类似细分的热图.
主要成果:
- 调整后的分类网络成功地产生了类似细分的输出.
- 导向后展示了高效率和有效性,产生热图,准确突出目标对象.
- 这种方法减少了对手动细分流程的依赖.
结论:
- 将分类神经网络与XAI相结合,为医疗图像细分提供了可行和高效的替代方案.
- XAI技术,特别是GuidedBackprop技术,可以弥合医学成像中的分类和细分任务之间的差距.
- 这种方法有望克服医疗AI中的数据注释限制和隐私问题.
