Apr, 2024

基于影响力的多模态磁共振成像下脑肿瘤分割解释性

PDF
TL;DR近年来，人工智能已成为医疗应用的基本工具。尽管存在快速发展，但深度神经网络仍然是难以解释的黑匣子，这是它们在临床实践中使用的主要限制。我们的重点是医学图像分割任务，目前提出的大多数可解释性方法在视觉解释方面提供输入显著性图。本文旨在扩展、实施和测试一种基于影响力的可解释性算法 TracIn，该算法最初针对分类任务，在具有挑战性的临床问题中，即多模态磁共振成像中的肿瘤脑部的多类别分割。我们通过将网络的潜在表示与 TracIn 输出的相似性连接来验证所提算法的忠实性。我们进一步测试了该算法提供局部和全局解释的能力，并建议它可以作为选择决策过程中使用的最相关特征的工具。该方法适用于所有语义分割任务，其中类是相互排斥的，这是这些情况下的标准框架。
artificial intelligencemedical applicationsdeep neural networksmedical image segmentationexplainability methods
发现论文，激发创造
  • 3D 多模 MRI 扫描中脑肿瘤的综合分割

    通过使用卷积神经网络和生成式对抗网络，研究人员成功地应用高对比度图像来增加自动分割 MRI 脑肿瘤的准确性，预测病人生存时间。

    Sep, 2019

  • 多模神经网络检测脑肿瘤

    本研究论文通过使用人工智能和深度学习技术对磁共振成像进行灰度图像处理，评估了一种多模态模型用于脑肿瘤分类的性能，结果显示准确率约为 98%，同时强调了解释性和透明度的重要性以确保人类控制和安全。

    Jan, 2024

  • 基于深度学习、注意机制和能量预测的脑肿瘤分割

    本文提出了一种感兴趣区域检测算法，通过数据预处理定位突出特征并剔除多余的 MRI 数据，进而减小输入尺寸，增强数据增广和深度神经网络，从而在 BraTS 基准测试中实现了最先进的分割性能。

    Dec, 2023

  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • 智能医学图像分析中的多尺度图像融合系统探索

    这篇研究论文介绍了一种基于 U-Net 的 MRI 算法，结合了残差网络和用于增强上下文信息的模块，还添加了空洞卷积池化金字塔用于处理。实验证明了该算法在诊断脑胶质瘤的 MRI 图像分割中取得了较高的准确率，并提升了脑肿瘤的三维重建精度，以及图像分类的效率。

    May, 2024

  • 可解释人工智能方法在医学影像分类中的应用分析

    在医疗领域中，应用深度学习进行医学图像分类已成为趋势。然而，这种人工智能系统是极其复杂的 “黑匣子” 模型，难以解释其预测的原因。因此，研究探索可解释的人工智能（XAI）方法，以更好地应用于医学领域。本文通过对卷积神经网络模型进行规范化学图像分类，从三种不同的 XAI 方法对模型进行了可视化的研究和分析。

    Dec, 2022

  • 基于深度学习技术的 MRI 图像脑肿瘤分割

    本研究旨在使用神经网络模型对 MRI 数据集中三种不同类型的脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）进行自动分割及识别，实验结果表明，采用了循环残差 U-Net 模型能达到平均交并比 0.8665，相比其它深度学习模型具有明显的优势。

    Apr, 2023

  • 基于原型驱动和多专家集成的多模态 MR 脑肿瘤图像分割

    提出了一种带有肿瘤原型驱动和多专家集成的多模式磁共振脑肿瘤分割方法，利用原型突出每个肿瘤亚区的特征并生成相应的激活图，进而提高分割性能。

    Jul, 2023

  • 改进用于多样人群的卷积神经网络脑肿瘤分割

    通过使用 MedNeXt 等卷积神经网络架构进行脑肿瘤分割，本研究在 BraTS-GoAT 挑战中的各种人群（如成人、儿科和非洲撒哈拉以南地区）的脑部 MRI 扫描图像中自动分割肿瘤，并通过大量的模型集成和后处理方法在未知验证集上表现良好，平均 DSC 为 85.54％，HD95 为 27.88。

    May, 2024

  • 基于卷积神经网络和可解释人工智能的脑部 MRI 扫描诊断痴呆症

    研发了一个使用卷积神经网络和可解释 AI 算法的系统，可用于精确诊断痴呆症，并让所有相关人员可视化和理解结果。

    May, 2024