利用热力图生成器提升放射学中深度学习模型的疾病分类性能与可解释性
图像与视频处理
2022-07-04 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
随着深度学习在放射学领域的广泛应用，此类模型的可解释性对于在临床医生使用模型进行诊断时获得其信任变得日益重要。本研究使用U-Net架构进行了三组实验，通过在训练中引入热力图生成器，在提升分类性能的同时增强与模型关注区域相对应的热力图。所有实验均使用了包含胸部X光片、来自三种病症之一（“正常”、“充血性心力衰竭（CHF）”和“肺炎”）的关联标签、以及放射科医生在图像上眼动注视坐标数值信息的数据集。引入该数据集的论文（A. Karargyris and Moradi, 2021）开发了一个U-Net模型，被本研究视为基线模型，以展示眼动数据如何用于多模态训练以改进可解释性。为比较分类性能，测量了受试者工作特征曲线下面积（AUC）的95%置信区间（CI）。最佳方法取得了0.913的AUC（CI：0.860-0.966）。最大提升出现在基线模型最难分类的“肺炎”和“CHF”类，其AUC分别为0.859（CI：0.732-0.957）和0.962（CI：0.933-0.989）。所提方法的解码器还能生成概率掩码，突出模型分类中的决定性图像区域，与放射科医生的眼动数据相似。因此，本工作表明，将热力图生成器与眼动信息纳入训练可同时改善疾病分类并提供与放射科医生诊断时观察胸部X光片方式高度一致的可解释可视化。
引用
@article{arxiv.2207.00157,
title = {Improving Disease Classification Performance and Explainability of Deep Learning Models in Radiology with Heatmap Generators},
author = {Akino Watanabe and Sara Ketabi and Khashayar and Namdar and Farzad Khalvati},
journal= {arXiv preprint arXiv:2207.00157},
year = {2022}
}