基于胸部X射线图像的深度COVID-19分类可解释性技术探索
图像与视频处理
2024-02-12 v4 计算机视觉与模式识别
机器学习
摘要
COVID-19的爆发以其相当迅速的传播震惊了全世界，并给各个领域带来了挑战。限制其传播最有效的方式之一是对感染者进行早期且准确的诊断。医学影像，如X射线和计算机断层扫描（CT），结合人工智能（AI）的潜力，在支持医务人员诊断过程中发挥着重要作用。因此，本文使用五种不同的深度学习模型（ResNet18、ResNet34、InceptionV3、InceptionResNetV2和DenseNet161）及其集成（采用多数投票法），利用胸部X射线图像对COVID-19、肺炎和健康的受试者进行分类。若患者存在多种病症，则执行多标签分类以预测每种病理。首先，使用局部可解释性方法——遮挡、显著性、输入X梯度、引导反向传播、积分梯度和DeepLIFT，以及全局技术——神经元激活分布，深入研究了各网络的可解释性。各模型对COVID-19分类的Micro-F1平均分在0.66至0.875之间，网络模型集成为0.89。定性结果表明ResNet是最具可解释性的模型。本研究展示了在决定最佳性能模型之前，使用可解释性方法比较不同模型的重要性。
引用
@article{arxiv.2006.02570,
title = {Exploration of Interpretability Techniques for Deep COVID-19 Classification using Chest X-ray Images},
author = {Soumick Chatterjee and Fatima Saad and Chompunuch Sarasaen and Suhita Ghosh and Valerie Krug and Rupali Khatun and Rahul Mishra and Nirja Desai and Petia Radeva and Georg Rose and Sebastian Stober and Oliver Speck and Andreas Nürnberger},
journal= {arXiv preprint arXiv:2006.02570},
year = {2024}
}