MERIT：基于证据学习的多视角肝纤维化分期方法
计算机视觉与模式识别
2025-03-04 v2
摘要
从磁共振成像（MRI）准确分期肝纤维化在临床实践中至关重要。虽然常规方法通常只关注特定子区域，但多视角学习通过同时分析多个切片来捕获更多信息。然而，之前的多视角方法通常无法计算不确定性，并且以黑箱方式整合来自不同视角的特征，从而损害了所得模型的可靠性和可解释性。本文提出了一种基于证据学习的新型多视角方法，称为 MERIT，以统一框架解决上述两个挑战。MERIT 能够量化预测的不确定性以增强可靠性，并采用基于逻辑的组合规则提高可解释性。具体而言，MERIT 在主观逻辑理论的指导下，将每个子视角的预测建模为具有量化不确定性的意见。此外，引入了分布感知的基本比率，以提升性能，尤其是在涉及类别分布变化的场景中。最后，MERIT 采用特征特定的组合规则显式融合多视角预测，从而增强可解释性。结果表明，所提出的 MERIT 方法有效且可靠，同时提供了即时和事后可解释性。此外，MERIT 能够阐明每个视角在肝纤维化分期决策过程中的重要性。我们的代码已通过 https://github.com/HenryLau7/MERIT 发布。
引用
@article{arxiv.2405.02918,
title = {MERIT: Multi-view evidential learning for reliable and interpretable liver fibrosis staging},
author = {Yuanye Liu and Zheyao Gao and Nannan Shi and Fuping Wu and Yuxin Shi and Qingchao Chen and Xiahai Zhuang},
journal= {arXiv preprint arXiv:2405.02918},
year = {2025}
}
备注
Accepted by Medical Image Analysis