可解释人工智能:用于眼底疾病分类的普通与扩张ResNet模型比较分析
图像与视频处理
2024-09-04 v2 人工智能
计算机视觉与模式识别
摘要
本文提出了用于视网膜眼底图像疾病分类的扩张残差网络(ResNet)模型。使用扩张卷积滤波器替换ResNet模型较高层中的普通卷积滤波器(扩张ResNet),以改善疾病分类的感受野。本研究引入了采用深度学习并辅以可解释人工智能技术的计算机辅助诊断工具。这些技术旨在使工具的决策过程透明化,从而使医疗专业人员能够理解和信任人工智能的诊断决策。它们在当今医疗保健领域尤为重要,因为对人工智能应用透明度的需求日益增长,以确保其可靠性和合乎道德的使用。扩张ResNet被用作普通ResNet的替代品,以提高视网膜眼病的分类精度并减少所需的计算时间。本工作中使用的数据集是眼病智能识别(ODIR)数据集,这是一个结构化的眼科数据库,包含涵盖大多数常见视网膜眼病的八个类别。本工作中使用的评估指标包括精确率、召回率、准确率和F1分数。在这项工作中,对普通ResNet模型和扩张ResNet模型在五个变体(即ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152)上进行了比较研究。在ODIR多类疾病分类中,扩张ResNet模型相比普通ResNet显示出有希望的结果,上述各变体的平均F1分数分别为0.71、0.70、0.69、0.67和0.70。
引用
@article{arxiv.2407.05440,
title = {Explainable AI: Comparative Analysis of Normal and Dilated ResNet Models for Fundus Disease Classification},
author = {P. N. Karthikayan and Yoga Sri Varshan and Hitesh Gupta Kattamuri and Umarani Jayaraman},
journal= {arXiv preprint arXiv:2407.05440},
year = {2024}
}
备注
Added authors' contributions