ReLaX：用于光学相干断层扫描自动分类引导解释的视网膜层归因
图像与视频处理
2022-10-04 v3 计算机视觉与模式识别
机器学习
摘要
每年开展 3000 万例光学相干断层扫描（OCT）成像检测以诊断各类视网膜疾病，但 OCT 扫描的准确诊断需要受过训练的眼科护理人员，且其仍易出错。借助更优的诊断系统，许多由视网膜疾病导致的视力丧失病例本可完全避免。本文提出 ReLaX，一种用于可解释、准确的视网膜病理分类的新型深度学习框架，其达到了最先进的准确率。此外，我们着重于对模型决策产生定性与定量解释。先前工作使用像素级归因方法生成模型解释，而本研究采用一种新颖的视网膜层归因方法生成丰富的定性与定量模型解释。ReLaX 通过结合热图与 OCT 分割模型来确定各视网膜层的重要性。我们的工作是首个以这种方式对模型预测产生详细定量解释的。准确率与可解释性的结合可在临床上用于可及、高质量的病患照护。
引用
@article{arxiv.2109.02436,
title = {ReLaX: Retinal Layer Attribution for Guided Explanations of Automated Optical Coherence Tomography Classification},
author = {Evan Wen and Rebecca Sorenson and Max Ehrlich},
journal= {arXiv preprint arXiv:2109.02436},
year = {2022}
}
备注
ECCV 2022 Medical Computer Vision Workshop