MAProtoNet：一种用于 3D 磁共振成像脑肿瘤分类的多尺度注意力可解释原型部分网络
计算机视觉与模式识别
2024-04-16 v1
摘要
人工智能辅助的自动诊断已成为医学影像领域一个有前景的方向，但所引入深度神经网络的可解释性仍然是一个紧迫的问题。尽管诸如 XProtoNet 和 MProtoNet 等当代工作试图为这一问题设计可解释的预测模型，但其生成的归因图的定位精度仍有提升空间。为此，我们提出了一种多尺度注意力原型部分网络，称为 MAProtoNet，以提供更精确的归因图。具体来说，我们引入了一个简洁的多尺度模块来融合来自四重注意力层的注意力特征，并生成归因图。所提出的四重注意力层可以通过捕获空间和通道维度之间的交互来增强现有的在线类激活映射损失，而多尺度模块则融合细粒度和粗粒度信息以生成精确的归因图。我们还对所提出的多尺度模块应用了一种新颖的多尺度映射损失进行监督。与医学影像中现有的可解释原型部分网络相比，MAProtoNet 在脑肿瘤分割（BraTS）数据集上的定位性能达到了最先进的水平，在激活精度分数上实现了约 4% 的整体提升（最佳分数为 85.8%），且无需使用额外的分割标注标签。我们的代码将在 https://github.com/TUAT-Novice/maprotonet 发布。
引用
@article{arxiv.2404.08917,
title = {MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification},
author = {Binghua Li and Jie Mao and Zhe Sun and Chao Li and Qibin Zhao and Toshihisa Tanaka},
journal= {arXiv preprint arXiv:2404.08917},
year = {2024}
}