基于3D UNet和可解释人工智能 (XAI) 的脑肿瘤分割解析：比较分析
计算机视觉与模式识别
2025-10-10 v1
摘要
本研究 investigates 使用可解释人工智能 (XAI) 来提高脑肿瘤在MRI图像中的分割准确性，以辅助医生进行临床决策。研究聚焦于应用 UNet 模型进行脑肿瘤分割，并使用梯度加权类激活映射 (Grad-CAM) 和注意力可视化技术来增强对这些模型的理解。我们评估了三个深度学习模型——UNet、残差 UNet (ResUNet) 和注意力 UNet (AttUNet)——以识别表现最佳的模型。应用 XAI 的目的是阐明模型决策并增加医生对这些模型的信任。我们将两种 UNet 变体 (ResUNet 和 AttUNet) 与传统 UNet 在 BraTS2020 公开数据集上的脑肿瘤分割性能进行比较，并分析了使用 Grad-CAM 和注意力可视化后的模型预测。我们采用最新的计算机硬件，使用 Adam 优化器训练和验证每个模型，并依据以下方面进行评估：(i) 训练、验证和推理时间，(ii) 分割相似性系数和损失函数，(iii) 分类性能。值得注意的是，在最终测试阶段，ResUNet 在 Dice 系数、Jaccard 相似性得分以及准确率、召回率和 F1 分数上均优于其他模型。Grad-CAM 提供了关于每个 UNet 模型关注的肿瘤亚区域的视觉空间洞察，而注意力可视化则提供了关于 AttUNet 注意力模块工作机制的宝贵见解。这些结果表明 ResUNet 是表现最佳的模型，我们建议在未来的临床评估中使用其进行自动化脑肿瘤分割。我们的源代码和模型检查点已在 https://github.com/ethanong98/MultiModel-XAI-Brats2020 上提供。
引用
@article{arxiv.2510.07785,
title = {Demystifying Deep Learning-based Brain Tumor Segmentation with 3D UNets and Explainable AI (XAI): A Comparative Analysis},
author = {Ming Jie Ong and Sze Yinn Ung and Sim Kuan Goh and Jimmy Y. Zhong},
journal= {arXiv preprint arXiv:2510.07785},
year = {2025}
}