一种可靠且可解释的多视图学习框架用于肝纤维化分期
计算机视觉与模式识别
2023-06-22 v1
摘要
肝纤维化分期在肝病患者的诊断和治疗规划中十分重要。当前基于深度学习的、使用腹部磁共振成像(MRI)的方法通常将肝脏的一个子区域作为输入，但这可能会遗漏关键信息。为探索更丰富的表征，我们将此任务表述为一个多视图学习问题，并采用肝脏的多个子区域。此前，特征或预测通常以隐式方式组合，并且已有不确定性感知的方法被提出。然而，这些方法可能难以捕捉跨视图表征，而跨视图表征对于准确预测分期十分重要。因此，我们提出了一种具有可解释组合规则的可靠多视图学习方法，该方法能够建模全局表征以提升预测准确性。具体而言，所提方法基于主观逻辑估计不确定性以提高可靠性，并基于Dempster-Shafer证据理论应用具有良好可解释性的显式组合规则。此外，引入了一种数据高效的transformer来捕捉全局视图中的表征。在增强MRI数据上的评估结果表明，我们的方法优于现有的多视图学习方法。
引用
@article{arxiv.2306.12054,
title = {A Reliable and Interpretable Framework of Multi-view Learning for Liver Fibrosis Staging},
author = {Zheyao Gao and Yuanye Liu and Fuping Wu and NanNan Shi and Yuxin Shi and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2306.12054},
year = {2023}
}
备注
Early accepted by MICCAI 2023