层次化显著斑块识别用于可解释的眼底疾病定位

随着深度学习技术在医学图像分析中的广泛应用，有效解释模型预测并提高诊断准确性已成为亟待解决的问题。归因方法已成为帮助医生更好地理解模型诊断依据的关键工具，用于解释和定位医学图像中的疾病。然而，先前的方法对于结构复杂多样的眼底疾病存在定位不准确和不完整的问题。为解决这些问题，我们提出了一种弱监督可解释眼底疾病定位方法，称为层次化显著斑块识别（HSPI），该方法仅使用图像级标签和神经网络分类器（NNC）即可实现可解释的疾病定位。首先，我们提出显著斑块识别（SPI），将图像划分为多个斑块并优化一致性损失，以识别输入图像中对网络预测最重要的斑块，从而定位疾病。其次，我们提出层次化识别策略，强制SPI分析不同区域对神经网络分类器预测的重要性，以全面定位疾病区域。然后引入条件峰值聚焦，确保掩码向量能够准确定位疾病区域。最后，我们提出基于多尺寸交集的斑块选择，以过滤错误或额外识别的非疾病区域。我们在眼底图像数据集上进行了疾病定位实验，与先前的可解释归因方法相比，在多个评估指标上取得了最佳性能。还进行了额外的消融研究以验证每种方法的有效性。