LBNet:一个优化的轻量级CNN用于乳腺癌分类的乳房扫描,基于XAI的可解释性.

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 乳腺癌对全球健康构成重大挑战.
• 目前用于乳房学术的深度学习模型面临着计算复杂性,概括性和可解释性的问题.
• 资源有限的环境需要高效,准确的诊断工具.

研究的目的:

• 介绍LBNet,一个轻量级和可解释的卷积神经网络 (CNN) 用于乳腺癌检测.
• 在效率和可解释性方面解决现有的深度学习模型的局限性.
• 提供精确且计算效率高的乳房图分析解决方案.

主要方法:

• 开发了LBNet,一个具有240万参数的CNN,具有五个卷积层,ReLU激活,批量规范化和最大共享.
• 在RSNA数据集上训练LBNet,使用Adam优化器和五倍交叉验证.
• 综合SHAP和Grad-CAM用于模型解释性,突出诊断相关区域.

主要成果:

• 在RSNA数据集上,LBNet实现了97.28%的准确性,在癌症和非癌症病例中具有高精度和回忆.
• 与基线模型 (VGG19,SE-ResNet152,ResNet152V2) 和转移学习方法相比,表现优越.
• 验证的概括性在CBIS-DDSM上准确率为99.54%,在MIAS数据集上准确率为98.50%.

结论:

• LBNet为乳腺癌查提供了一个高度准确,高效和可解释的解决方案.
• 该模型的轻量级设计和验证的通用性使其适用于资源有限的环境.
• 可解释性方法提高了AI驱动的乳房图分析的临床信任和透明度.