基于渐进式概念瓶颈模型的可解释胎儿超声质量评估
计算机视觉与模式识别
2025-03-05 v2 人工智能
摘要
胎儿超声筛查扫描的质量直接影响生物测量参数的精度。然而，获取高质量扫描耗时费力且高度依赖操作者的技能。考虑到超声中广泛存在的低对比度和成像伪影，即便是专用的深度学习模型也可能易于从图像中的混杂信息学习。本文中，我们提出一种整体且可解释的胎儿超声质量评估方法，通过引入人类可读的“概念”到任务中并模仿专家的顺序决策过程，设计了一个分层概念瓶颈模型。这种分层信息流迫使模型从语义有意义区域学习概念：模型首先经过一层基于分割的视觉概念，接着是经过第二层与决策任务直接相关的属性概念。我们将质量评估置于更具挑战性但更真实的细粒度图像识别设定下。实验表明，我们的模型在一个内部数据集上优于同等无概念模型，并在两个公共基准（一个来自西班牙，一个来自非洲）上展现出更好的泛化性，且无需任何微调。
引用
@article{arxiv.2211.10630,
title = {Explainable fetal ultrasound quality assessment with progressive concept bottleneck models},
author = {Manxi Lin and Aasa Feragen and Kamil Mikolaj and Zahra Bashir and Martin Grønnebæk Tolsgaard and Anders Nymark Christensen},
journal= {arXiv preprint arXiv:2211.10630},
year = {2025}
}