深度原型部件简化肾结石形态学识别并对光度扰动具有竞争性鲁棒性
计算机视觉与模式识别
2023-04-11 v1
摘要
识别肾结石的类型可使泌尿科医生确定其形成原因，从而改进适当治疗方案的处方以减少未来复发。目前，相关的离体诊断（称为形态-成分分析，MCA）耗时、昂贵且需要大量经验，因为它包含高度依赖操作者的视觉分析环节。近年来，已有机器学习方法被开发用于体内内镜结石识别。基于深度学习（DL）的方法在准确率上优于非DL方法，但缺乏可解释性。尽管存在这种权衡，在做出高风险决策时，优先选择可理解的计算机辅助诊断（CADx）基于合理证据建议行动方案，而非由模型规定行动方案，是十分重要的。在本研究中，我们为每种肾结石亚型学习原型部件（PPs），DL模型利用这些部件生成输出分类。在分类任务中使用PPs可为该输出提供基于案例的推理解释，从而使模型可解释。此外，我们修改全局视觉特征以描述其与PPs的相关性以及我们模型性能的敏感性。由此，与以往工作相比，我们在样本、类别和模型层面提供了附带额外信息的解释。尽管我们的实现平均准确率比最先进的（SOTA）不可解释DL模型低1.5%，但我们的模型在扰动图像上表现高出2.8%且标准差更小，且无需对抗训练。因此，学习PPs有潜力创建更鲁棒的DL模型。
引用
@article{arxiv.2304.04077,
title = {Deep Prototypical-Parts Ease Morphological Kidney Stone Identification and are Competitively Robust to Photometric Perturbations},
author = {Daniel Flores-Araiza and Francisco Lopez-Tiro and Jonathan El-Beze and Jacques Hubert and Miguel Gonzalez-Mendoza and Gilberto Ochoa-Ruiz and Christian Daul},
journal= {arXiv preprint arXiv:2304.04077},
year = {2023}
}
备注
This paper has been accepted at the LatinX in Computer Vision Research Workshop at CVPR2023 as a full paper and it will appear on the CVPR proceedings