胸部CT体数据的可解释多异常分类
图像与视频处理
2022-08-23 v3 计算机视觉与模式识别
机器学习
摘要
在医疗健康领域，理解模型预测至关重要，有助于快速验证模型正确性并防止使用利用混杂变量的模型。我们引入了体数据医学图像中可解释多异常分类这一具有挑战性的新任务，其中模型必须指出用于预测每种异常的区域。为解决该任务，我们提出了一种多示例学习卷积神经网络AxialNet，可识别每种异常的顶层切片。接着我们引入注意力机制HiResCAM以识别切片内子区域。我们证明，对于AxialNet，HiResCAM解释保证反映模型所用的位置，而不像Grad-CAM有时高亮无关位置。借助能产生忠实解释的模型，我们随后旨在通过一种新颖的掩码损失改进模型学习，该损失利用HiResCAM与3D允许区域，鼓励模型仅基于异常所在器官预测异常。3D允许区域通过一种新方法PARTITION自动获得，该方法将放射学报告提取的位置信息与形态学图像处理获得的器官分割图相结合。总体而言，我们提出了首个用于体数据医学图像中可解释多异常预测的模型，随后使用掩码损失在36,316次扫描的RAD-ChestCT数据集上实现了多异常器官定位33%的提升，代表了当前最优水平。本工作推进了胸部CT体数据中多异常建模的临床适用性。
引用
@article{arxiv.2111.12215,
title = {Explainable multiple abnormality classification of chest CT volumes},
author = {Rachel Lea Draelos and Lawrence Carin},
journal= {arXiv preprint arXiv:2111.12215},
year = {2022}
}
备注
Published in Artificial Intelligence in Medicine, 2022. 8 figures, 7 tables