Apr, 2023

基于皮肤病专家反馈的可解释卷积神经网络微调，提升分类可信度

PDF
TL;DR本文提出了一种卷积神经网络微调方法，利用用户反馈实现分类和可视化分类解释两方面输出的同时优化。将该方法应用于皮肤病分类任务，测试卷积神经网络对两种类型用户反馈的反应并说明该方法的作用，同时提出了一种新的卷积神经网络架构，该架构在训练循环中集成了 Grad-CAM 技术，以便解释模型的决策。通过模拟用户反馈，发现将分类和解释同时微调可以提高视觉解释效果，同时保留分类准确性，潜在地提高用户对于基于 CNN 的皮肤病分类器的信任。
发现论文，激发创造
  • 通过重写模型决策实现可信的皮肤癌诊断

    本文研究了深度神经网络在皮肤癌诊断中可能存在的混淆因素问题，并提出了人类介入的模型训练框架，在黑盒模型解释性概念空间中解释了复杂特征表示，并对数据集进行了清洗，最终提高了模型的性能与可靠性。

    Mar, 2023

  • 使用深度学习进行交互式医学图像分割，并采用特定于图像的微调方法

    本文提出一个新的基于深度学习的交互分割框架，该框架将卷积神经网络（CNN）引入到边界框和涂鸦分割管道中，并提出了图像特定的微调和考虑网络和交互不确定性的加权损失函数来提高 CNN 模型的性能，实验结果表明我们的方法比现有的 CNN 方法更鲁棒，并能够在更少的用户交互和更短的时间内获得准确的分割结果。

    Oct, 2017

  • 基于 CNN 的皮肤病变分类及基于图块的注意力和诊断引导的损失加权

    本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

    May, 2019

  • 利用皮肤科医生的知识将卷积神经网络应用于皮肤病诊断

    本文介绍了我们参加 ISIC 2017 挑战赛中皮肤病变分析与黑色素瘤检测的提交成果，我们的方法为卷积神经网络框架下结合多种分区和分类方法进行自动诊断，使得临床医师的专业知识得以应用。

    Mar, 2017

  • 多任务可解释性皮肤病变分类

    通过使用多任务少样本学习方法，我们提出了一种适应少量标记数据的多任务少样本学习方法，结合分割网络和分类网络，以实现对皮肤病变的自动分类和检测，提高皮肤癌的早期检测率。

    Oct, 2023

  • 通过本地解释设计直接反馈循环人与卷积神经网络之间的联系

    设计并实现了 DeepFuse，此交互设计在诊断和修订卷积神经网络的脆弱性时实现用户与卷积神经网络之间的直接反馈循环，通过系统地搜索并注释 ' 不合理 ' 的局部解释，可帮助 CNN 工程师有效地改善当前的实践，并使 XAI 驱动的洞察力更具可操作性。

    Jul, 2023

  • 医学图像中基于一致性概念的解释及其在皮肤病诊断中的应用

    本文提出了一种可解释性的深度学习模型在诊断黑色素瘤皮损方面的应用，该模型基于概念编码器和硬注意力机制及可视连贯性损失项进行优化，其结果表明该模型优于现有黑盒和概念模型。

    Apr, 2023

  • 医学图像噪声标记的鲁棒学习：应用于皮肤病变分类

    本论文提出了一种有效的迭代学习框架，用于医学图像的噪声标签分类问题。具体而言，我们提出了一种在线不确定样本挖掘方法，以消除嘈杂标记的图像的干扰，接着，我们设计了一种样本重新加权策略，以保留正确标记难样本的有用性。我们的方法在皮肤病变分类任务中得到了很有希望的结果。

    Jan, 2019

  • 基于视觉转换的皮肤病生成与分类

    本文提出了一个新的多类预测框架，基于 ViT 和 ViTGAN，在使用可解释 AI 的情况下，对皮肤病变分类。该框架分四个阶段，引入了生成对抗网络来解决类不平衡问题，使用卷积神经网络实现分类，实验结果相较于现有框架有所改善。

    Feb, 2023

  • 基于深度卷积神经网络组合的皮肤病变检测

    论文提出了一种深度卷积神经网络的组合方法，用于将皮肤镜图像分类为三类，该方法结合了四种不同神经结构的输出，以达到最高分类精度，并优于单个神经网络。

    May, 2017