利用 XAI 图谱提高 MRI 中 MS 白斑分割与检测
图像与视频处理
2024-09-09 v1 计算机视觉与模式识别
机器学习
摘要
迄今为止，已develop 多种方法用于解释分类任务中深度学习算法。最近提出了两种此类方法的改进方案，用于在语义分割场景中生成实例级别的可解释图，如多发性硬化（MS）白斑分割。在该工作中，训练并测试了一个 3D U-Net 用于 MS 白斑分割，获得 F1 分数为 0.7006，阳性预测值（PPV）为 0.6265。可解释图中值分布显示出真阳性（TP）和假阳性（FP）示例图之间的差异。鼓舞人心于这些结果，本文探索了利用白斑特定显著性图的特征来细化分割和检测得分的方法。从 72 名患者（训练集）中生成约 21000 张 TP/FP 白斑图，测试集中来自 37 名患者的图为 4868 张。从这一组图中提取了 93 个放射组特征，用于训练逻辑回归模型以对 TP 与 FP 进行分类。在测试集上，F1 分数和 PPV 分别提高了显著幅度，分别达到 0.7450 和 0.7817，95% 置信区间分别为 [0.7358, 0.7547] 和 [0.7679, 0.7962]。这些结果表明，显著性图可用于细化预测得分，显著提升模型性能。
引用
@article{arxiv.2409.03772,
title = {Exploiting XAI maps to improve MS lesion segmentation and detection in MRI},
author = {Federico Spagnolo and Nataliia Molchanova and Mario Ocampo Pineda and Lester Melie-Garcia and Meritxell Bach Cuadra and Cristina Granziera and Vincent Andrearczyk and Adrien Depeursinge},
journal= {arXiv preprint arXiv:2409.03772},
year = {2024}
}