CountXplain：基于原型的可解释细胞计数
计算机视觉与模式识别
2025-11-26 v1
摘要
细胞计数在生物医学成像中至关重要，却导致深度学习模型在该领域可解释性方面面临重大挑战。我们提出了一种基于原型的方法，通过密度图估计实现可解释细胞计数。该方法将原型层集成到密度估计网络中，使模型能够学习细胞和背景杂物的代表性视觉模式。通过对生物学家的调查，我们确认了所学原型的相关性，进一步验证了模型的可解释性。通过生成突出显示输入图像中最类似于每个原型的区域的解释，本方法为模型识别和计数细胞提供了清晰的理解。对两个公开数据集进行大量实验表明，该方法在保持计数有效性的同时实现了可解释性。这项工作为研究人员和临床医生提供了一个透明可靠的细胞计数工具，可能增加人们对深度学习在关键生物医学应用中采用的信任。代码可在 https://github.com/NRT-D4/CountXplain 获取。
引用
@article{arxiv.2511.19686,
title = {CountXplain: Interpretable Cell Counting with Prototype-Based Density Map Estimation},
author = {Abdurahman Ali Mohammed and Wallapak Tavanapong and Catherine Fonder and Donald S. Sakaguchi},
journal= {arXiv preprint arXiv:2511.19686},
year = {2025}
}
备注
Medical Imaging with Deep Learning 2025