基于解释性AI的腹主动脉瘤分割模型失效剖析
计算机视觉与模式识别
2026-03-27 v1 人工智能
机器学习
摘要
腹主动脉瘤（AAA）的CT图像分割常因模型关注无关结构或未关注薄弱、低对比度目标而失败。模型关注的地方是主要训练信号，因此我们提出一种解释性人工智能（XAI）引导的编码器塑形框架。该方法从最终编码器块计算稠密的、基于归因的编码器关注图（“XAI场”），并以两种互补方式使用它：（i）将预测的概率质量与XAI场对齐以促进关注与输出之间的一致性；（ii）将该场引入轻量级细化路径和置信度先验，以调制推理时的logit，抑制干扰项同时保留细微结构。目标函数仅作为控制信号起作用；贡献在于将归因指导集成到表征和解码中。我们评估了临床验证的具有挑战性的病例，这些病例被精选用于易失败场景。与基本SAM设置相比，我们的实现显著性地改进了结果。观察到的提升表明，通过XAI引导显式优化编码器关注是可靠进行复杂场景分割的实用且有效的原则。
引用
@article{arxiv.2603.24801,
title = {Dissecting Model Failures in Abdominal Aortic Aneurysm Segmentation through Explainability-Driven Analysis},
author = {Abu Noman Md Sakib and Merjulah Roby and Zijie Zhang and Satish Muluk and Mark K. Eskandari and Ender A. Finol},
journal= {arXiv preprint arXiv:2603.24801},
year = {2026}
}