面向 Hemorica 数据集的脑出血分类 Class Activation Map 方法基准测试
计算机视觉与模式识别
2025-12-03 v1 定量方法
摘要
可解释人工智能 (XAI) 已成为医学影像研究的关键组成部分，旨在增加深度学习模型的透明度并提升临床信任度。本研究聚焦于脑出血诊断，重点通过 Class Activation Mapping (CAM) 技术实现可解释性。开发了一条管线，从 classification 模型中提取 pixel-level segmentation 与 detection 标注，使用九种最新的 CAM 算法应用于多个网络阶段，并在 Hemorica 数据集上进行定量评估。该数据集独特地提供了 slice-level 标签和高质量 segmentation mask。采用 Dice、IoU 以及 pixel-wise overlap 等指标对 CAM 变体进行基准测试。结果显示，EfficientNetV2S 第 5 阶段的 localização性能最强，HiResCAM 在 bounding-box 对齐方面取得最佳成绩，AblationCAM 在像素级 Dice (0.57) 和 IoU (0.40) 上取得最佳像素级表现，尽管模型仅用于 classification 训练，未获得 segmentation 监督。据称，这是目前首个定量比较脑出血检测中 CAM 方法的工作之一，建立了可复现的基准，凸显了 XAI 驱动的管线在临床意义 AI 辅助诊断中的潜力。
引用
@article{arxiv.2508.17699,
title = {Benchmarking Class Activation Map Methods for Explainable Brain Hemorrhage Classification on Hemorica Dataset},
author = {Z. Rafati and M. Hoseyni and J. Khoramdel and A. Nikoofard},
journal= {arXiv preprint arXiv:2508.17699},
year = {2025}
}