FPN-IAIA-BL：一种用于数字乳腺X光检查中肿块边缘分类的多尺度可解释深度学习模型
计算机视觉与模式识别
2024-06-11 v1
摘要
数字乳腺X光检查对乳腺癌检测至关重要，而深度学习为更快速、更准确的乳腺X光图像分析提供了有前景的工具。在放射学及其他高风险环境中，不可解释的（“黑盒”）深度学习模型是不适用的，这些领域呼吁构建可解释的模型。近期可解释计算机视觉领域的工作通过利用原型进行基于案例的解释，为这些曾经的黑盒模型提供了透明度，并在包括乳腺X光检查在内的应用中实现了高准确率。然而，这些模型在精确特征定位方面存在困难，当图像中仅有一小部分相关时，却对图像的大部分区域进行推理。本文通过提出一种用于乳腺X光检查中肿块边缘分类的新型多尺度可解释深度学习模型来填补这一空白。我们的贡献不仅提供了一个推理过程与放射科医生实践相符的可解释模型，还提供了一种通用的计算机视觉架构，该架构具有从粗粒度到细粒度原型均可由用户配置的原型。
引用
@article{arxiv.2406.06386,
title = {FPN-IAIA-BL: A Multi-Scale Interpretable Deep Learning Model for Classification of Mass Margins in Digital Mammography},
author = {Julia Yang and Alina Jade Barnett and Jon Donnelly and Satvik Kishore and Jerry Fang and Fides Regina Schwartz and Chaofan Chen and Joseph Y. Lo and Cynthia Rudin},
journal= {arXiv preprint arXiv:2406.06386},
year = {2024}
}
备注
8 pages, 6 figures, Accepted for oral presentation at the 2024 CVPR Workshop on Domain adaptation, Explainability, Fairness in AI for Medical Image Analysis (DEF-AI-MIA)