CortiNet：一种基于物理感知的类皮层双流网络用于超声 gallbladder 疾病诊断
计算机视觉与模式识别
2026-02-03 v1 机器学习
摘要
超声成像是检测 gallbladder 疾病的首选诊断模态，由于其非侵入性、经济实惠和广泛可及性。然而，超声图像固有的低分辨率和斑点噪声阻碍了诊断可靠性，促使使用大型卷积神经网络，这些网络在日常临床环境中难以部署。本文提出了CortiNet，这是一种轻量级、受类皮层双流神经网络，用于 gallbladder 疾病诊断，将可解释的多尺度信号分解与感知驱动的特征学习相结合。受人类视觉皮层中平行处理通路的启发，CortiNet显式地将低频结构信息与高频感知细节分离，并通过专门的编码流进行处理。通过直接操作结构化、频率选择性的表示，而非原始像素强度，该架构嵌入了强大的基于物理的归纳偏置，使特征学习能够显著减少参数规模。此外，本文提出了一种结构感知的可解释性框架，其中仅对结构分支应用梯度加权类激活映射，使模型仅关注结构特征，从而对抗斑点噪声。我们在10,692张专家标注的图像上进行评估，涵盖九种临床相关的 gallbladder 疾病类别。实验结果表明，CortiNet在诊断准确率达到98.74%的同时，只需常规深度卷积模型的一小部分参数。
引用
@article{arxiv.2602.01000,
title = {CortiNet: A Physics-Perception Hybrid Cortical-Inspired Dual-Stream Network for Gallbladder Disease Diagnosis from Ultrasound},
author = {Vagish Kumar and Souvik Chakraborty},
journal= {arXiv preprint arXiv:2602.01000},
year = {2026}
}