面向 prostate 癌的可解释 AI 生成增强：ProjectedEx 方法
图像与视频处理
2025-01-03 v1 计算机视觉与模式识别
摘要
前列腺癌作为全球健康问题的日益突出问题，亟需精准的诊断工具，磁共振成像 (MRI) 由于其高分辨率软组织成像，显著提升了诊断准确性。近年来，可解释 AI 和表示学习的快速发展显著改善了前列腺癌诊断，通过实现自动化和精确的病灶分类。然而，现有的可解释 AI 方法，特别是基于类似生成对抗网络 (GAN) 的框架的方法，主要是为自然图像生成开发的，其应用于医学影像常常导致性能次优 due to 医学影像的独特特征和复杂性。为此，我们提出了 ProjectedEx 框架。我们的工作做了三个关键贡献：其一，我们提出 ProjectedEx，一种提供可解释、多属性解释的生成框架，有效将医学影像特征与分类器决策关联；其二，我们通过引入特征金字塔来增强编码器模块，这使我们能够获得多尺度反馈以细化潜在空间并提高生成解释的质量；此外，我们在生成器和分类器上进行了全面实验，表明 ProjectedEx 在增强可解释性和支持医疗环境中 AI 采纳方面的临床相关性和有效性。代码将在 https://github.com/Richardqiyi/ProjectedEx 发布。
引用
@article{arxiv.2501.01392,
title = {ProjectedEx: Enhancing Generation in Explainable AI for Prostate Cancer},
author = {Xuyin Qi and Zeyu Zhang and Aaron Berliano Handoko and Huazhan Zheng and Mingxi Chen and Ta Duc Huy and Vu Minh Hieu Phan and Lei Zhang and Linqi Cheng and Shiyu Jiang and Zhiwei Zhang and Zhibin Liao and Yang Zhao and Minh-Son To},
journal= {arXiv preprint arXiv:2501.01392},
year = {2025}
}