用于多标签疾病诊断与解释的跨图像与图像内原型学习
计算机视觉与模式识别
2025-04-07 v2
摘要
近期原型学习的进展已显示出在将激活图和预测与类别特定训练原型关联以提供有用决策解释方面的显著潜力。此类原型学习已在各种单标签疾病中得到充分研究，但对于相当相关且更具挑战性的多标签诊断——其中多种疾病常在同一图像中并发——现有的原型学习模型由于多种疾病的纠缠而难以获得有意义的激活图和有效的类别原型。在本文中，我们提出了一种新颖的跨图像与图像内原型学习（CIPL）框架，用于从医学影像中进行准确的多标签疾病诊断与解释。CIPL 利用跨图像的共同语义来解缠多种疾病，在学习原型时实现对复杂病理病变的全面理解。此外，我们提出了一种新的基于两级对齐的正则化策略，有效利用一致的图像内信息来增强解释鲁棒性和预测性能。大量实验表明，我们的 CIPL 在两个公开多标签疾病诊断基准——胸部放射影像和眼底影像——上达到了最先进的（SOTA）分类准确率。定量可解释性结果表明，CIPL 在弱监督胸部疾病定位方面也优于其他领先的显著性方法和基于原型的解释方法。
引用
@article{arxiv.2411.04607,
title = {Cross- and Intra-image Prototypical Learning for Multi-label Disease Diagnosis and Interpretation},
author = {Chong Wang and Fengbei Liu and Yuanhong Chen and Helen Frazer and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2411.04607},
year = {2025}
}
备注
IEEE Transactions on Medical Imaging