用于可解释医学图像分析的具有一致图像-报告生成的循环生成对抗网络
图像与视频处理
2022-11-17 v1 计算机视觉与模式识别
摘要
我们提出了一种用于医学图像可解释标注与解释的框架。医学图像需要专业人员解读，并（通常）通过详尽的文字报告进行解释。与先前关注从图像生成医学报告或反之的方法不同，我们新颖地采用循环生成对抗网络（cycleGAN）生成一致的图像-报告对；从而，生成的报告将充分解释医学图像，而由报告生成的图像若能在视觉上有效刻画文本，则应（充分）类似于原始图像。该工作的目的是通过向人类用户指向相似病例以支持诊断决策，从而为诊断胸部X射线图像的模型输出生成可信且忠实的解释。除了实现透明的医学图像标注与解释外，我们取得的报告和基于图像的标注与先前方法相当，在某些情况下包括最先进的性能，这已在Indiana Chest X-ray数据集上的实验得到证明。
引用
@article{arxiv.2211.08424,
title = {Cyclic Generative Adversarial Networks With Congruent Image-Report Generation For Explainable Medical Image Analysis},
author = {Dwarikanath Mahapatra},
journal= {arXiv preprint arXiv:2211.08424},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2206.13123, arXiv:2111.07646