面向 MRI 扫描区域感兴趣部位检测的深度学习模型与 xAI 方法系统性研究
图像与视频处理
2025-08-22 v2 人工智能
计算机视觉与模式识别
摘要
磁共振成像（MRI）是评估膝部损伤的 essential 诊断工具。然而，手动解读 MRI 切片仍需大量时间且存在观察者间的变异性。本研究对 various 深度学习架构结合可解释人工智能（xAI）技术进行的 automated 区域感兴趣部位（ROI）检测进行系统性评估。我们研究了监督和非监督方法，包括 ResNet50、InceptionV3、Vision Transformers（ViT）以及多种以多层感知器（MLP）增强的 U-Net 变体。为提高可解释性和临床相关性，我们集成 xAI 方法如 Grad-CAM 和 Saliency Maps。通过 AUC 进行分类评估，PSNR/SSIM 进行重构质量评估，以及定性 ROI 可视化来评估模型性能。我们的结果表明，ResNet50 在分类和 ROI 识别方面始终领先，优于受限于 MRNet 数据集的 transformer 模型。尽管混合 U-Net + MLP 方法在利用空间特征进行重构和可解释性方面显示出潜力，但其分类性能仍较低。Grad-CAM 在 various 架构中始终提供最具临床意义的解释。总体而言，在该数据集上，CNN 基于迁移学习的方法最为有效，而更大规模的预训练工作可能更好地释放 transformer 模型的潜力。
引用
@article{arxiv.2508.14151,
title = {A Systematic Study of Deep Learning Models and xAI Methods for Region-of-Interest Detection in MRI Scans},
author = {Justin Yiu and Kushank Arora and Daniel Steinberg and Rohit Ghiya},
journal= {arXiv preprint arXiv:2508.14151},
year = {2025}
}