A Hybrid Fully Convolutional CNN-Transformer Model for Inherently Interpretable Disease Detection from Retinal Fundus Images
Created by
Haebom
저자
Kerol Djoumessi, Samuel Ofosu Mensah, Philipp Berens
개요
본 논문은 의료 영상 분석에서 CNN의 국소적 특징 추출 능력과 ViT의 전역적 의존성 포착 능력을 결합한 해석 가능한 하이브리드 모델을 제안합니다. 기존 하이브리드 모델의 해석 어려움을 해결하기 위해, 설계 단계부터 해석 가능성을 고려한 완전 합성곱 CNN-Transformer 아키텍처를 개발하였습니다. 이 모델은 망막 질환 검출을 위한 두 가지 의료 영상 분석 과제에 적용되어 기존 블랙박스 및 해석 가능 모델보다 우수한 예측 성능을 달성하였으며, 단일 전방 패스를 통해 클래스별 희소 증거 맵을 생성합니다. GitHub에 코드를 공개하였습니다.
시사점, 한계점
•
시사점:
◦
설계 단계부터 해석 가능성을 고려한 CNN-ViT 하이브리드 모델 제시.
◦
기존 블랙박스 모델 및 해석 가능 모델보다 우수한 예측 성능 달성.
◦
단일 전방 패스를 통해 클래스별 희소 증거 맵 생성으로 모델의 의사결정 과정을 직관적으로 이해 가능.
◦
의료 영상 분석 분야에서의 모델 해석성 향상에 기여.
•
한계점:
◦
제시된 모델의 성능은 특정 망막 질환 검출 과제에 국한됨. 다른 의료 영상 분석 과제에 대한 일반화 성능은 추가 연구 필요.
