改进的多余肠息肉分割与视觉可解释性分析
计算机视觉与模式识别
2026-01-15 v6 机器学习
摘要
结直肠癌（CRC）是全球癌症相关死亡和疾病负担的主要原因之一，胃肠道（GI）息肉被列为世界卫生组织（WHO）认可的CRC前驱物质。早期和准确的息肉分割对于减少CRC进程至关重要，但手动描绘耗时且受观察者变异性影响。深度学习方法已显示出针对自动化息肉分析的强大潜力，但其有限的可解释性仍是临床应用的障碍。本研究提出PolypSeg-GradCAM，一种集成U-Net架构、预训练ResNet-34背板和梯度加权类激活映射（Grad-CAM）的可解释深度学习框架，用于透明的息肉分割。为确保严格的基准测试，该模型在Kvasir-SEG数据集上进行5折交叉验证评估，该数据集包含1000个已标注的内窥镜图像。实验结果显示平均Dice系数为0.8902±0.0125，平均交并比（IoU）为0.8023，受试者工作曲线下面积（AUC-ROC）为0.9722。高级定量分析采用最优阈值后，灵敏度为0.9058，精确度为0.9083。此外，Grad-CAM可视化确认预测受临床相关区域指导，提供了有关模型决策过程的见解。该研究表明，将分割精度与可解释性集成可支持可信赖AI辅助结肠镜工具的开发。
引用
@article{arxiv.2509.18159,
title = {Improved Segmentation of Polyps and Visual Explainability Analysis},
author = {Akwasi Asare and Thanh-Huy Nguyen and Ulas Bagci},
journal= {arXiv preprint arXiv:2509.18159},
year = {2026}
}