FeaInfNet:用特征驱动推理和视觉解释诊断医疗图像

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 计算机视觉 计算机视觉

背景情况:

• 可解释的深度学习对于医学图像识别至关重要.
• 由于复杂的分类和微妙的决策区域,现有的模型在疾病诊断中难以准确和可解释.

研究的目的:

• 提出一个新的特征驱动推理网络 (FeaInfNet),以提高医学图像诊断的准确性和可解释性.
• 开发一个模拟人类专家诊断推理过程的模型.

主要方法:

• 实现了一个基于特征的推断网络 (FeaInfNet),具有基于特征的推理结构.
• 使用局部特征面罩 (LFM) 来提取特征向量和适应动态面罩 (Adaptive-DM) 来进行视觉解释.
• 采用了一种策略,比较亚区域特征载体与疾病,以及用于诊断的正常原型模板.

主要成果:

• 在多个公共医疗数据集上,FeaInfNet实现了最先进的分类准确性和可解释性.
• 与医疗图像诊断的基线方法相比,拟议的方法显示出更高的性能.
• 废弃性研究证实了FeaInfNet框架内各组件的有效性.

结论:

• 在医疗图像分析的可解释深度学习中,FeaInfNet提供了显著的进步.
• 该模型模仿临床推理的能力提高了对人工智能辅助诊断的信任和可靠性.
• 特性提取,原型比较和自适应掩护的结合提供了强大的和可解释的诊断能力.