基于生物标志物激活图的可解释糖尿病视网膜病变诊断
图像与视频处理
2023-06-28 v3 计算机视觉与模式识别
机器学习
摘要
深度学习分类器提供了基于光学相干断层扫描(OCT)及其血管造影(OCTA)自动诊断糖尿病视网膜病变(DR)的最准确手段。这些模型的强大能力部分归因于包含隐藏层,这些隐藏层提供了实现所需任务所需的复杂性。然而,隐藏层也使得算法输出难以解释。在此我们引入一种基于生成对抗学习的新型生物标志物激活图(BAM)框架,使临床医生能够验证并理解分类器的决策过程。一个包含456张黄斑扫描的数据集根据当前临床标准被分级为无需转诊或可转诊DR。首先基于该数据集训练了一个用于评估我们BAM的DR分类器。BAM生成框架通过组合两个U形生成器设计,以对该分类器提供有意义的可解释性。主生成器被训练为以可转诊扫描作为输入,并产生一个被分类器分类为无需转诊的输出。BAM随后被构建为主生成器输出与输入之间的差分图像。为确保BAM仅突出分类器所利用的生物标志物,一个辅助生成器被训练以执行相反操作,从无需转诊扫描产生被分类器分类为可转诊的扫描。生成的BAM突出了已知的病理特征,包括无灌注区和视网膜液。基于这些突出区域的完全可解释分类器可帮助临床医生更好地利用和验证自动化DR诊断。
引用
@article{arxiv.2212.06299,
title = {Interpretable Diabetic Retinopathy Diagnosis based on Biomarker Activation Map},
author = {Pengxiao Zang and Tristan T. Hormel and Jie Wang and Yukun Guo and Steven T. Bailey and Christina J. Flaxel and David Huang and Thomas S. Hwang and Yali Jia},
journal= {arXiv preprint arXiv:2212.06299},
year = {2023}
}
备注
This paper has been accepted by IEEE TBME