机构名称：
¥ 1.0
背景与目标：基于深度学习的医学图像分析技术有可能极大地改善经常处理多序列 MRI 的神经放射科医生的工作流程。然而，对于当前采用多序列 MRI 的深度学习系统来说，一个必不可少的步骤是确保正确分配其序列类型。这一要求在临床实践中并不容易满足，而且容易受到协议和人为错误的影响。尽管深度学习模型在基于图像的序列分类方面很有前景，但稳健性和可靠性问题限制了它们在临床实践中的应用。方法：在本文中，我们提出了一种使用显着性信息来指导序列分类特征学习的新方法。该方法使用两个自监督损失项，首先增强类特定显着性图之间的区别性，其次促进类特定显着性图与学习到的深度特征之间的相似性。结果：在 2100 例患者病例中，每例包含 6 个不同的 MR 序列，我们的方法显示平均准确度提高了 4.4%（从 0.935 到 0.976），平均 AUC 提高了 1.2%（从 0.9851 到 0.9968），平均 F1 得分提高了 20.5%（从 0.767 到 0.924）。此外，根据专家神经放射科医生的反馈，我们表明所提出的方法提高了训练模型的可解释性及其校准，并降低了预期校准误差（降低了 30.8%，从 0.065 到 0.045）。代码将公开。结论：在本文中，所提出的方法显示了准确度、AUC 和 F1 得分的提高，以及所得显着图的校准和可解释性得到了改善。
沙特阿美公司
主要关键词
相关文件推荐
