用于实时检测早期鳞状肿瘤的可解释全卷积乳头内毛细血管袢分类
计算机视觉与模式识别
2018-05-03 v1
摘要
在这项工作中，我们致力于全卷积神经网络分类结果的可解释性。受用于实时检测早期鳞状肿瘤（亚洲最常见的食管癌类型）的食管组织分类问题的启发，我们提出了一个新数据集与一种新颖的深度学习方法：该方法借助深度监督与新引入的概念——嵌入式类激活图（eCAM），将结果的可解释性作为卷积网络的设计约束。我们提出了一种可视化注意力新方法，旨在对食管组织中导致网络判定图像属于某一类别的区域提供若干洞见，并将其与临床医生用于产生临床诊断的视觉特征进行比较。相较于未采用深度监督但通过嫁接类激活图提供注意力的基线方法，我们将 F1 分数从 87.3% 提升至 92.7%，并提供了更细致的注意力图。
引用
@article{arxiv.1805.00632,
title = {Interpretable Fully Convolutional Classification of Intrapapillary Capillary Loops for Real-Time Detection of Early Squamous Neoplasia},
author = {Luis C. Garcia-Peraza-Herrera and Martin Everson and Wenqi Li and Inmanol Luengo and Lorenz Berger and Omer Ahmad and Laurence Lovat and Hsiu-Po Wang and Wen-Lun Wang and Rehan Haidry and Danail Stoyanov and Tom Vercauteren and Sebastien Ourselin},
journal= {arXiv preprint arXiv:1805.00632},
year = {2018}
}