计算机断层扫描图像中肾囊肿的自反事实和基于不确定性的可解释范式的自动检测和分割:一项多中心研究
原文中文,约300字,阅读约需1分钟。发表于: 。通过解释性框架,利用 Variational Autoencoder Generative Adversarial Network(VAE-GAN)学习潜在表示和重构 3D 输入图像,通过对重构图像进行梯度修改得到对病灶影像特征的反事实解释,分析这些反事实解释提取的放射学特征与分割性能的相关性,评估加权空间后验采样方法预测分割掩膜的不确定性,实现了对分割器性能和影像特征解释的深入理解。
该研究提出了一种反事实生成框架,能在不需要像素级注释的情况下实现出色的脑肿瘤分割性能,并提供解释性。通过拓扑数据分析,获得全局可解释的流形,可以生成有意义的正常样本,定位肿瘤区域。在两个数据集上评估,展示了卓越的脑肿瘤分割性能。