.png){kind=icon}
返回
Weakly Supervised Pixel-Level Annotation with Visual Interpretability
.png){kind=icon}
OA
AI
DOI：10.1007/978-3-032-08317-3_19.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
医学图像标注对于疾病诊断至关重要，但手动标注耗时、成本高且专家间存在变异性。为解决这些挑战，我们提出了一种自动化的可解释标注系统，该系统集成了集成学习、视觉可解释性和不确定性量化。我们的方法结合了三种预训练深度学习模型——ResNet50、EfficientNet和DenseNet，并通过XGrad-CAM增强视觉解释，利用蒙特卡洛Dropout进行不确定性量化。该集成通过交集诊断模型中一致诊断的显著性图来模拟多位放射科医师的共识，同时将不确定预测标记为人工审核。我们使用TBX11K医学影像数据集和火灾分割数据集评估了该系统，展示了其在不同领域的鲁棒性。实验结果表明，我们的方法优于基线模型，在TBX11K上达到93.04%的准确率，在火灾数据集上达到96.4%的准确率。此外，尽管仅使用图像级标签进行训练，我们的模型仍能生成精确的像素级标注，分别实现36.07%和64.7%的交并比（IoU）得分。通过提升图像标注的准确性和可解释性，我们的方法为医学诊断和其他图像分析任务提供了一种可靠且透明的解决方案。
Keyword:
Medical Image Annotation
Image Segmentation
Uncertainty Quantification
Ensemble Learning
Explainable Artificial Intelligence
期刊
E
IF:
0
论文数:
20
被引数:
0
机构
引用论文
Medical Image Analysis Through Deep Learning Techniques: A Comprehensive Survey基于深度学习技术的医学图像分析：综合综述
PREAI
分享收藏Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏Trustworthy clinical AI solutions: A unified review of uncertainty quantification in Deep Learning models for medical image analysis值得信赖的临床AI解决方案: 用于医学图像分析的深度学习模型中不确定性量化的统一审查OAAI
OAAI分享收藏Early smoke detection of forest wildfire video using deep belief network.png)
2018 4th International Conference on Advanced Technologies for Signal and Image Processing (ATSIP)
2018 4th International Conference on Advanced Technologies for Signal and Image Processing (ATSIP)IF0
PREAI
分享收藏Shifting to machine supervision: annotation-efficient semi and self-supervised learning for automatic medical image segmentation and classificationSCIENTIFIC REPORTSOAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏A review of uncertainty quantification in deep learning: Techniques, applications and challenges深度学习中的不确定性量化: 技术、应用与挑战INFORMATION FUSIONOAAI
INFORMATION FUSIONIF15.5
OAAI分享收藏
查看更多内容