用于组织表征且降低过度自信的可解释图像分类
计算机视觉与模式识别
2025-08-01 v1
摘要
在术中部署机器学习模型进行组织表征可以辅助决策并引导安全的肿瘤切除。对于图像分类模型，像素归因方法是推断可解释性的常用手段。然而，深度学习模型预测中的过度自信会转化为像素归因中的过度自信。在本文中，我们提出了一种将风险估计融入像素归因方法的新方法，以改进图像分类的可解释性。该方法迭代地应用分类模型与像素归因方法，生成一个 PA 图体。该图体首次被用于生成 PA 值的逐像素分布。我们引入一种通过估计逐像素分布的期望值来生成增强 PA 图的方法。此外，利用变异系数（CV）来估计该增强 PA 图的逐像素风险。因此，所提方法不仅提供了改进的 PA 图，还对输出 PA 值产生了风险估计。在基于探针的共聚焦激光显微内镜（pCLE）数据和 ImageNet 上的性能评估验证了我们所改进的可解释性方法优于现有技术。
引用
@article{arxiv.2507.23709,
title = {Explainable Image Classification with Reduced Overconfidence for Tissue Characterisation},
author = {Alfie Roddan and Chi Xu and Serine Ajlouni and Irini Kakaletri and Patra Charalampaki and Stamatia Giannarou},
journal= {arXiv preprint arXiv:2507.23709},
year = {2025}
}