一种可解释的局部编辑模型用于反事实医学图像生成
计算机视觉与模式识别
2026-03-03 v1 人工智能
摘要
反事实医学图像生成日益成为提高医疗领域人工智能系统性能的关键工具，通过回答“假设”问题。然而，现有方法存在两个根本局限：首先，它们无法防止意外修改，导致在仅应影响疾病特征时发生人口统计属性的牵连变化；其次，它们在编辑过程缺乏可解释性，这显著限制了其在实际医疗应用中的实用性。为解决这些局限，我们提出了 InstructX2X，这是一种具有区域特定编辑功能的可解释局部编辑模型，用于反事实医学图像生成。该方法将修改限制在特定区域，有效防止意外更改，同时提供指导图，为编辑过程提供内在可解释的视觉解释。此外，我们引入了 MIMIC-EDIT-INSTRUCTION 数据集，这是一个来自专家验证的医学 VQA 对的反事实医学图像生成数据集。通过大量实验，InstructX2X 在所有主要评估指标上均实现了最好的性能。我们的模型成功生成高质量的胸部 X 光片反事实图像，并提供可解释的解释。
引用
@article{arxiv.2603.00423,
title = {An Interpretable Local Editing Model for Counterfactual Medical Image Generation},
author = {Hyungi Min and Taeseung You and Hangyeul Lee and Yeongjae Cho and Sungzoon Cho},
journal= {arXiv preprint arXiv:2603.00423},
year = {2026}
}