Jun, 2019

心脏 MRI 分类的全局与局部可解释性

PDF
TL;DR本文提出了一种可解释的卷积神经网络模型，基于变分自编码器，用于识别心脏核磁共振分割序列中的疾病，并使用 ' 概念激活向量 ' 技术关联一些向量，并定性地观察在这些向量方向上的测量值的变化，从而提供相应的自然可解释概念，该方法在英国生物银行心脏磁共振成像数据集上检测冠状动脉疾病。
deep learningmedical imagescardiac mr segmentationvariational autoencodercoronary artery disease
发现论文，激发创造
  • 一个深度学习模型在使用 ACDC 挑战数据集中应用于心脏 MRI 分割的可解释性

    该研究使用 D-TCAV 方法研究了是否可以从深度网络中发现代表不同心脏状况的概念，并为心脏疾病诊断提供量化的概念重要性的指标。结果表明，D-TCAV 提供了一个比基础方法更具用户独立性和更短的预处理时间的创新应用方法，可应用于心脏 MRI 分析和诊断。

    Mar, 2021

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020

  • 一个适用于心脏磁共振的通用深度学习系统

    基于自监督对比学习的深度学习模型通过学习心脏核磁共振扫描伴随的放射学报告的原始文本中的视觉概念，展示了对人类心血管疾病和健康的全面评估；我们的模型在美国的四个大型学术临床机构的数据上训练和评估，并在英国 BioBank 和其他两个公开可用的外部数据集上展示了卓越的性能，实现了包括左心室射血分数回归和 35 种不同病症（如心脏淀粉样变及肥厚型心肌病）的诊断等一系列任务，显示出对人类心血管疾病的复杂性的理解能力，并在仅需要一部分通常用于这种任务的训练数据的情况下，实现了令人印象深刻的临床级诊断准确率。

    Dec, 2023

  • 属性规范化软直觉变分自编码器用于可解释的心脏疾病分类

    通过在对抗训练的变分自编码器框架内结合潜空间的属性正则化，本文提出一种新的可解释性方法，对医学成像中的人工智能模型进行了改进。在心脏 MRI 数据集上的比较实验证明了该方法在解决变分自编码器方法中模糊重建问题和提高潜空间可解释性方面的能力。此外，对下游任务的分析揭示了使用正则化潜空间进行心脏疾病分类的依赖程度，通过将用于预测的属性与临床观察联系起来，展现出了很好的解释性。

    Dec, 2023

  • 基于心电数据的可解释机器学习模型用于心律失常检测的开发

    研究拟建立基于卷积神经网络（CNN）和长短期记忆（LSTM）分类器的解释性模型，探讨机器学习算法做出决策的模式，提高对心电图信号（ECG）节律分类的准确度。

    May, 2022

  • 基于概念激活向量的深度学习皮肤病变分类器可解释性研究

    该研究使用了一个经过训练的神经网络，通过激活向量概念来介绍了深度学习的医学图像分类器，以验证模型学习和利用类似于皮肤科医师所描述和使用的疾病相关概念，并且进一步开发 CAV 的神经网络。

    May, 2020

  • 使用编码将 ECG 信号转换为图像以实现高效的图像 - 文本检索

    本研究介绍了一种新颖的心电图 (ECG) 自动识别方法，采用最近的大型语言模型 (LLM) 和 Vision-Transformer (ViT) 模型。该方法通过将 ECG 编码为图像并采用视觉语言学习范式来自动识别相似的临床病例，从而实现有效的 ECG 检索系统，可在临床应用中提供诊断服务。

    Apr, 2023

  • 基于属性正则化的心脏 MRI 可解释化表示学习

    在医学成像中，可解释性对于确保临床医生能够理解和信任人工智能模型至关重要。最近考虑了几种方法来在潜在空间中编码属性以增强其可解释性。本文提出了一种基于属性正则化的软内省变分自动编码器，将潜在空间的属性正则化与对抗训练的变分自动编码器框架相结合。我们在英国生物银行的短轴心脏磁共振图像上展示了所提方法解决了变分自动编码器方法的模糊重建问题，并保持了潜在空间的可解释性。

    Jun, 2024

  • 通过概念瓶颈模型实现强大且可解释的医学图像分类器

    通过使用自然语言概念，我们提出了一种建立强大而可解释的医学图像分类器的新范式，有效地解决了深度学习模型在医疗行业应用中学习虚假相关性而不是期望特征以及缺乏可解释性的问题。

    Oct, 2023

  • 在 CT 扫描中获得的深度学习分类结果是否公平和可解释？

    深度学习在生物医学图像处理中的应用对各种自动诊断案例产生了巨大的影响，然而，大多数基于深度学习的分类尝试主要关注极高的准确率，而忽视了可解释性和训练测试数据的患者级分离。

    Sep, 2023