COIN: 计数事实上填充用于弱监督医学图像语义分割
通过解释性人工智能和反事实解释的框架,本研究开发了一种新型反事实修复方法(COIN),通过生成模型将分类标签从异常翻转到正常,实现对医学图像中病变的精确分割,不依赖于现有的分割掩模,证明其在肾脏肿瘤的语义分割方面优于现有的方法,并为稀缺标注数据的深度学习应用提供了更多可能。
通过解释性人工智能和反事实解释的框架,本研究开发了一种新型反事实修复方法(COIN),通过生成模型将分类标签从异常翻转到正常,实现对医学图像中病变的精确分割,不依赖于现有的分割掩模,证明其在肾脏肿瘤的语义分割方面优于现有的方法,并为稀缺标注数据的深度学习应用提供了更多可能。