仅用正样本：用于皮肤分割衍生分类的 5 阶高阶注意力交互模型
计算机视觉与模式识别
2023-11-28 v1
摘要
皮肤病的计算机辅助诊断是一项重要工具。然而，当前计算机辅助诊断的可解释性较差。皮肤科医生与患者无法直观理解神经网络的学习与预测过程，这将导致计算机辅助诊断可信度的下降。此外，传统方法需要使用负样本训练以预测病变存在与否，但医学数据常供不应求。本文中，我们提出一种多重高阶注意力交互模型（MHA-UNet），用于高度可解释的皮肤病变分割任务。MHA-UNet 能够通过可解释推理获得病变存在与否，无需在负样本上训练。具体而言，我们提出一种高阶注意力交互机制，将 squeeze attention 引入更高层级以进行特征注意力。此外，通过结合不同阶数的不同特征，提出一种多重高阶注意力交互（MHAblock）模块。对于病变存在与否的分类，我们基于 MHAblock 的 5 个注意力阶数交互的可解释推理，在缺乏负样本的情况下于多个公开数据集上进行了分类实验。实验获得的最高正检率为 81.0%，最高负检率为 83.5%。对于分割实验，所提方法与 13 个医学分割模型的对比实验，以及在三个公开数据集与我们的临床数据集上用 8 个最先进（state-of-the-art）模型的外部验证实验，均证明了我们模型的 SOTA 性能。代码可从 https://github.com/wurenkai/MHA-UNet 获取。
引用
@article{arxiv.2311.15625,
title = {Only Positive Cases: 5-fold High-order Attention Interaction Model for Skin Segmentation Derived Classification},
author = {Renkai Wu and Yinghao Liu and Pengchen Liang and Qing Chang},
journal= {arXiv preprint arXiv:2311.15625},
year = {2023}
}