基于补丁的 3D 医学图像分割的高效 KernelSHAP 解释
计算机视觉与模式识别
2026-04-14 v1 人工智能
摘要
扰动基于解释方法如 KernelSHAP 提供模型无关的归因，但由于联合评估数量庞大以及滑动窗口推断成本高，通常难以用于基于补丁的 3D 医学图像分割。我们提出了用于体积 CT 分割的高效 KernelSHAP 框架，该框架将计算限制于用户定义的感兴趣区域及其感受野支持，并通过补丁逻辑缓存加速推断，对未受影响的补丁复用基线预测，同时保持 nnU-Net 的融合方案。为实现临床上有意义的归因，我们比较了感受野crop 中的三种自动生成特征抽象：整脑器单元、规则 FCC 超像素和混合器官感知超像素，并研究了针对稳定证据 (TP/Dice/Soft Dice) 或误阳性行为的多种聚合/值函数。全身 CT 分割实验表明，缓存显著减少了冗余计算（计算节省范围为 15%~30%），且忠实性和可解释性之间存在明确的权衡：规则超像素常常最大化扰动基于指标，但缺乏解剖对齐；而器官感知单元产生成更临床可解释的解释，在归一化指标下尤其有效于突出显示误阳性驱动因素。
关键词
引用
@article{arxiv.2604.11775,
title = {Efficient KernelSHAP Explanations for Patch-based 3D Medical Image Segmentation},
author = {Ricardo Coimbra Brioso and Giulio Sichili and Damiano Dei and Nicola Lambri and Pietro Mancosu and Marta Scorsetti and Daniele Loiacono},
journal= {arXiv preprint arXiv:2604.11775},
year = {2026}
}