Quadro di spiegabilità analizza i modelli di diffusione generativa per la sintesi MRI

Un nuovo studio su arXiv indaga la spiegabilità dei modelli di diffusione generativa per l'imaging medico, in particolare la sintesi MRI. La ricerca propone un quadro di spiegabilità basato sulla fedeltà che analizza come metodi basati su prototipi come ProtoPNet (PPNet), Enhanced ProtoPNet (EPPNet) e ProtoPool collegano le caratteristiche generate alle caratteristiche di addestramento. Lo studio si concentra sulla comprensione della formazione dell'immagine attraverso la traiettoria di denoising dei modelli di diffusione, combinata con la spiegabilità dei prototipi e l'analisi della fedeltà. I risultati sperimentali mostrano che EPPNet raggiunge il punteggio di fedeltà più alto di 0,1534, offrendo approfondimenti più affidabili sul processo generativo. Il lavoro affronta l'opacità del processo decisionale interno dei modelli di diffusione, con l'obiettivo di migliorare la fiducia nelle immagini mediche generate dall'IA.