基于注意力增强 U-Net 的可解释 AI 驱动自动脑肿瘤分割框架
计算机视觉与模式识别
2026-03-25 v1
摘要
从 MRI 数据中自动分割脑肿瘤对临床诊断、治疗规划和随访监测中的决策至关重要。胶质瘤因其高恶性和异质性，对准确可靠地分割为肿瘤内子区域构成了极具挑战性的任务。手动分割通常耗时且不可靠，这证明了需要鲁棒的自动化技术。本研究利用 BraTS 2020 数据集解决此问题，其中我们标注了胶质瘤患者的 MRI 扫描，包含四个重要类别：背景/健康组织、坏死/非增强核心、水肿和增强肿瘤。在本工作中，我们提出了一种基于 U-Net 模型并结合执行注意力门的新分割技术，以聚焦图像中最显著的区域。为应对类别不平衡，我们采用手动设计的损失函数，如 Dice Loss 和 Categorical Dice Loss，连同标准分类交叉熵。其他评估指标，如灵敏度和特异度，用于衡量模型在肿瘤类别间的判别能力。此外，我们引入基于 Grad-CAM 的可解释 AI 以实现注意力区域的可视化并提升模型可解释性，并结合高斯滤波的平滑热力图生成技术。我们的方法取得了优异的性能，准确率为 0.9919，Dice 系数为 0.9901，平均 IoU 为 0.9873，灵敏度为 0.9908，特异度为 0.9974。本研究表明，注意力机制、定制损失函数和可解释 AI 的使用显著提升了 MRI 扫描中高度复杂肿瘤结构的分割精度，为临床应用提供了可靠且可解释的方法。
引用
@article{arxiv.2603.23344,
title = {An Explainable AI-Driven Framework for Automated Brain Tumor Segmentation Using an Attention-Enhanced U-Net},
author = {MD Rashidul Islam and Bakary Gibba},
journal= {arXiv preprint arXiv:2603.23344},
year = {2026}
}