用于肺气肿亚型分类的深度聚类激活图
图像与视频处理
2021-06-03 v1 计算机视觉与模式识别
摘要
我们提出了一种深度学习聚类方法，利用来自分割网络的密集特征从计算机断层扫描（CT）中进行肺气肿亚型分类。使用密集特征能够通过密集聚类激活图（dCAMs）对对应于聚类分配的图像区域进行高分辨率可视化。该方法提供了模型可解释性。我们在来自 COPDGene 研究的 500 名受试者上评估了聚类结果，其中放射科医生根据其视觉 CT 评估手动标注了肺气肿亚型。我们实现了 43% 的无监督聚类准确率，优于我们 41% 的基线，并产生了与 45% 的有监督分类相当的结果。所提方法还提供了比基线更好的聚类形成，在轮廓系数上达到 0.54，在 David-Bouldin 分数上达到 0.55。
引用
@article{arxiv.2106.01351,
title = {Deep Clustering Activation Maps for Emphysema Subtyping},
author = {Weiyi Xie and Colin Jacobs and Bram van Ginneken},
journal= {arXiv preprint arXiv:2106.01351},
year = {2021}
}