深度神经网络大脑肿瘤检测的可解释性研究
计算机视觉与模式识别
2024-10-11 v1
摘要
医学图像分类对于支持医务人员的决策和培训至关重要。虽然卷积神经网络（CNN）传统上主导了这一领域，但基于Transformer的模型正在受到关注。在本研究中，我们应用可解释人工智能（XAI）技术来评估在真实医学数据上的各种模型性能，并识别改进的领域。我们比较了如VGG-16、ResNet-50和EfficientNetV2L等CNN模型，以及Transformer模型：ViT-Base-16。我们的结果表明，数据增强影响不大，但 hyperparameter 调整和高级建模会提高性能。CNN，特别是VGG-16和ResNet-50，超过了ViT-Base-16和EfficientNetV2L，可能是由于受限数据导致的欠拟合。XAI方法如LIME和SHAP进一步揭示，表现更好的模型更有效地可视化肿瘤。这一发现表明，浅层结构的CNN在小数据集上更有效，并且可以支持医疗决策。
引用
@article{arxiv.2410.07613,
title = {Explainability of Deep Neural Networks for Brain Tumor Detection},
author = {S. Park and J. Kim},
journal= {arXiv preprint arXiv:2410.07613},
year = {2024}
}
备注
10 pages, 13 figures