LCE：基于概念发现的DNN超声图像可解释性框架
人工智能
2024-08-20 v1 计算机视觉与模式识别
人机交互
摘要
解释深度神经网络（DNN）对医学图像的决策变得越来越重要。现有的归因方法难以解释像素的含义，而现有的基于概念的方法受限于额外的标注或难以应用于超声图像的特定模型结构。本文提出病灶概念解释器（LCE）框架，该框架将归因方法与基于概念的方法相结合。我们引入在大量医学图像上微调的Segment Anything Model（SAM），用于概念发现，从而实现对超声图像DNN的有意义解释。所提出的框架在忠实性和可理解性两个方面进行了评估。我们指出了流行的忠实性评估指标的不足，并提出了一种新的评估指标。我们对公开和私有乳腺超声数据集（BUSI和FG-US-B）的评估表明，LCE与常用的可解释性方法相比表现良好。最后，我们验证了LCE能够持续为乳腺超声中更有意义的细粒度诊断任务提供可靠的解释。
引用
@article{arxiv.2408.09899,
title = {LCE: A Framework for Explainability of DNNs for Ultrasound Image Based on Concept Discovery},
author = {Weiji Kong and Xun Gong and Juan Wang},
journal= {arXiv preprint arXiv:2408.09899},
year = {2024}
}