基于3D插值的数据驱动不确定性感知解释监督

解释监督旨在通过整合额外信号来增强深度学习模型的解释生成能力，显著提升模型的可预测性和可解释性。然而，将解释监督应用于更高维数据（如3D医学图像）仍属探索不足的领域。存在挑战包括：1）空间相关性改变，2）缺乏直接的3D标注，3）不同解释部分的不确定性差异。为此，我们提出了一种针对3D解释监督的动态不确定性感知框架（Dynamic Uncertainty-aware Explanation supervision, DUE），通过基于扩散的3D插值方法处理稀疏标注的3D数据，实现不确定性感知的解释指导。我们的方法在多样化的真实世界医学影像数据集上进行了全面实验验证。结果表明，该框架在医学影像诊断应用中有效提升了深度学习模型的可预测性和可解释性。