ProtoASNet：用于超声心动图中主动脉瓣狭窄固有可解释且不确定性感知分类的动态原型网络
计算机视觉与模式识别
2023-07-28 v1
摘要
主动脉瓣狭窄（AS）是一种常见的心脏瓣膜疾病，需要准确及时的诊断以进行适当治疗。当前大多数自动 AS 严重程度检测方法依赖黑盒模型，可信度较低，阻碍了临床采用。为解决此问题，我们提出 ProtoASNet，一种原型网络，可直接从 B 型超声心动图视频中检测 AS，同时基于输入与所学时空原型的相似度做出可解释预测。该方法提供了临床相关的支持证据，因为原型通常突出钙化及主动脉瓣叶运动受限等标志物。此外，ProtoASNet 利用弃权损失，通过定义一组捕捉观测数据中模糊性与信息不足的原型来估计偶然不确定性。这提供了一个可靠系统，能够检测并解释其可能失效的时机。我们在私有数据集和公开可用的 TMED-2 数据集上评估 ProtoASNet，其分别以 80.0% 和 79.7% 的准确率优于现有最先进方法。此外，ProtoASNet 为每次预测提供可解释性与不确定性度量，可提升透明度并促进深度网络的交互式使用以辅助临床决策。我们的源代码位于：https://github.com/hooman007/ProtoASNet。
引用
@article{arxiv.2307.14433,
title = {ProtoASNet: Dynamic Prototypes for Inherently Interpretable and Uncertainty-Aware Aortic Stenosis Classification in Echocardiography},
author = {Hooman Vaseli and Ang Nan Gu and S. Neda Ahmadi Amiri and Michael Y. Tsang and Andrea Fung and Nima Kondori and Armin Saadat and Purang Abolmaesumi and Teresa S. M. Tsang},
journal= {arXiv preprint arXiv:2307.14433},
year = {2023}
}
备注
To be published in MICCAI 2023