4、可解释眼科疾病分类的归因方法及视网膜眼底图像质量增强研究

可解释眼科疾病分类的归因方法及视网膜眼底图像质量增强研究

在眼科疾病诊断中，深度学习模型的可解释性以及视网膜眼底图像的质量都至关重要。本文将介绍可解释眼科疾病分类的归因方法，以及一种用于同时去模糊和超分辨率处理视网膜眼底图像的生成对抗网络。

可解释眼科疾病分类的归因方法

在眼科疾病分类中，为了让深度学习模型的决策更具可解释性，研究人员使用了多种归因方法，并对这些方法进行了定量和定性分析。

归因方法的选择

• LRP ：使用了 ϵ 规则。
• DeepLIFT ：采用了 Ancona 等人实现的原始重新缩放变体，而 [33] 中的 DeepLIFT 揭示取消规则与 Inception 模型的偏置项不兼容。
• SHAP ：是唯一需要背景分布的模型，研究人员选择了 20 张正常图像的随机集，记为 SHAP 随机。由于它对背景图像中的伪影和噪声敏感，还使用了 20 张低噪声和伪影的正常图像，记为 SHAP 选定。
• Occlusion ：使用 64 × 64 的窗口大小和 16 的步长，因为单独扰动每个像素的运行时间非常高。

定量分析

• 模型间的鲁棒性和运行时间 ：通过计算 10 个单独训练的模型实例对之间归因的均方根误差（RMSE）来衡量鲁棒性。理想情况下，模型在所有运行中应学习到相似的特征，归因方法应提供相似的结果。但由于模