स्कोर-आधारित काउंटरफैक्चुअल जनरेशन इंटरप्रेटेबल मेडिकल इमेज क्लासिफिकेशन और lesion स्थानीयकरण के लिए

डीप न्यूरल नेटवर्क (DNNs) बायोमेडिकल इमेजिंग के क्षेत्र में सटीक क्लीनिकल निर्णय लेने की immense संभावनाएं रखते हैं। हालाँकि, उच्च गुणवत्ता वाले डेटा तक पहुँच प्राप्त करना DNNs के उच्च प्रदर्शन को सुनिश्चित करने के लिए महत्वपूर्ण है। चिकित्सा इमेजिंग डेटा प्राप्त करना आमतौर पर मात्रा और गुणवत्ता दोनों के संदर्भ में चुनौतीपूर्ण होता है। इन मुद्दों को हल करने के लिए, हम स्कोर-आधारित काउंटरफैक्चुअल जनरेशन (SCG) रूपरेखा का प्रस्ताव करते हैं ताकि डेटा की कमी और असंतुलन की भरपाई के लिए लेटेंट स्पेस से काउंटरफैक्चुअल इमेज बनाई जा सके। इसके अतिरिक्त, कुछ बाहरी भौतिक कारकों में अनिश्चितताएं अप्राकृतिक विशेषताएँ पेश कर सकती हैं और सच्चे डेटा वितरण के मूल्यांकन को और प्रभावित कर सकती हैं। इसलिए, हमने प्रस्तावित रूपरेखा के वर्गीकर्ता में एक लर्नेबल फ़ज़ीब्लॉक को एकीकृत किया है ताकि इन अनिश्चितताओं का प्रबंधन किया जा सके। प्रस्तावित SCG रूपरेखा को वर्गीकरण और lesion स्थानीयकरण कार्यों दोनों पर लागू किया जा सकता है। प्रयोगात्मक परिणामों ने वर्गीकरण कार्यों में उल्लेखनीय प्रदर्शन वृद्धि को प्रकट किया, जो इंटरप्रेटेबल lesion स्थानीयकरण में पिछले सर्वोत्तम (SOTA) तरीकों की तुलना में 3-5% का औसत प्रदर्शन संवर्धन प्राप्त करता है।