分析 MRI 分类模型中 $k$ 空间特征的影响
图像与视频处理
2024-09-23 v1 计算机视觉与模式识别
摘要
人工智能（AI）在医学诊断中的集成常因模型不透明而受到阻碍，其中高精度系统作为“黑盒”运行，缺乏透明的推理方式。这一限制在临床环境中尤为关键，因为信任和可靠性至关重要。为此，我们开发了一种量身定制的医学影像可解释 AI 方法。通过采用分析 MRI 扫描的卷积神经网络（CNN），我们在图像和频域之间引入了一种新方法，将统一谱面逼近与投影（UMAP）用于可视化潜在输入嵌入。该方法不仅增强了早期训练效率，也加深了我们对如何影响模型预测的理解，从而提高可解释性，支持更准确和直观的诊断推断。
引用
@article{arxiv.2409.13589,
title = {Analyzing the Effect of $k$-Space Features in MRI Classification Models},
author = {Pascal Passigan and Vayd Ramkumar},
journal= {arXiv preprint arXiv:2409.13589},
year = {2024}
}