现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型...现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明:分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.展开更多
文摘现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明:分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.