使用原型学习与特权信息的可解释医学图像分类
计算机视觉与模式识别
2026-02-25 v1 人工智能
摘要
可解释性通常是医学影像中的一项基本要求。需要先进的深度学习方法以满足这种可解释性与高性能的需求。本工作中，我们研究训练过程中可用的附加信息是否可用于创建可理解且强大的模型。我们提出一种称为 Proto-Caps 的创新解决方案，其利用了胶囊网络、原型学习以及特权信息使用的优势。在 LIDC-IDRI 数据集上对所提方案的评估表明，它结合了增强的可解释性与超越最先进的预测性能。与可解释基线模型相比，我们的方法在预测恶性（93.0%）和肺结节平均特征方面实现了超过 6% 的更高准确率。同时，该模型提供基于案例的推理与原型表示，允许对放射科医生定义的属性进行视觉验证。
引用
@article{arxiv.2310.15741,
title = {Interpretable Medical Image Classification using Prototype Learning and Privileged Information},
author = {Luisa Gallee and Meinrad Beer and Michael Goetz},
journal= {arXiv preprint arXiv:2310.15741},
year = {2026}
}
备注
MICCAI 2023 Medical Image Computing and Computer Assisted Intervention