面向宫颈癌分析的可解释注意力网络
计算机视觉与模式识别
2024-03-06 v1 机器学习
图像与视频处理
摘要
深度学习的近期进展推动了用于分析医学图像与信号（包括宫颈癌分析）的自动化框架的发展。许多已有工作聚焦于孤立宫颈细胞的分析，或未能提供充分的方法来解释和理解所提模型如何在多细胞图像上得出其分类决策。在此，我们评估了多种最先进的深度学习模型与基于注意力的框架，用于多宫颈细胞图像的分类。由于我们旨在提供可解释的深度学习模型来解决此任务，我们还通过梯度可视化比较了它们的可解释性。我们证明了使用包含多个细胞的图像优于使用孤立的单细胞图像。我们展示了残差通道注意力模型在从一组细胞中提取重要特征方面的有效性，并证明了该模型在此分类任务中的效率。本工作凸显了通道注意力机制在分析多细胞图像以发掘组内潜在关联与分布方面的优势，也为解决宫颈细胞分类问题提供了可解释模型。
引用
@article{arxiv.2106.00557,
title = {Towards Interpretable Attention Networks for Cervical Cancer Analysis},
author = {Ruiqi Wang and Mohammad Ali Armin and Simon Denman and Lars Petersson and David Ahmedt-Aristizabal},
journal= {arXiv preprint arXiv:2106.00557},
year = {2024}
}