多任务乳腺肿瘤检测与分割框架中 BI-RADS 描述符的事后可解释性
图像与视频处理
2023-08-29 v1 计算机视觉与模式识别
摘要
尽管近期医学有所进步，乳腺癌仍是女性中最普遍且致命的疾病之一。尽管基于机器学习的计算机辅助诊断（CAD）系统已展现出协助放射科医生分析医学图像的潜力，但性能最佳的 CAD 系统之不透明性引发了对其可信度与可解释性的担忧。本文提出 MT-BI-RADS，一种用于乳腺超声（BUS）图像中肿瘤检测的新型可解释深度学习方法。该方法提供三个层次的解释，使放射科医生能够理解预测肿瘤恶性程度过程中的决策机制。首先，所提模型输出放射科医生用于 BUS 图像分析的 BI-RADS 类别。其次，模型采用多任务学习同时分割图像中对应肿瘤的区域。第三，该方法利用基于 Shapley 值的事后解释，输出各 BI-RADS 描述符对良性或恶性类别预测的量化贡献。
引用
@article{arxiv.2308.14213,
title = {Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation},
author = {Mohammad Karimzadeh and Aleksandar Vakanski and Min Xian and Boyu Zhang},
journal= {arXiv preprint arXiv:2308.14213},
year = {2023}
}
备注
11 pages, 5 figures. Published at 2023 IEEE Workshop on MLSP