利用CAM算法解释医学语义分割
图像与视频处理
2024-10-01 v1 计算机视觉与模式识别
机器学习
摘要
卷积神经网络（CNN）在分割任务中取得显著成绩，已成为基于图像的分析的前沿技术。然而，CNN的准确决策过程仍鲜为人知。可解释人工智能（xAI）研究领域主要围绕理解和解释这种黑箱行为展开。一种解释CNN的方法是使用类激活图（CAM），它表示热力图，以指示CNN预测中图像区域的重要性。对于分类任务，已存在多种CAM算法。但对于分割任务，仅有一种CNN输出解释方法。我们提出一种现有分类方法与分割方法之间的迁移，以获得更详细、更具可解释性和一致性的结果，这些结果在语义分割任务中显示显著像素。所得的Seg-HiRes-Grad CAM是分割方法Seg-Grad CAM的延伸，引入了来自分类方法HiRes CAM的技术。我们的方法通过调整以适应最新分类方法的分割方法，改进了之前的方法。特别是在医学图像分割领域，这种迁移解决了现有可解释性方面的不足。
引用
@article{arxiv.2409.20287,
title = {Leveraging CAM Algorithms for Explaining Medical Semantic Segmentation},
author = {Tillmann Rheude and Andreas Wirtz and Arjan Kuijper and Stefan Wesarg},
journal= {arXiv preprint arXiv:2409.20287},
year = {2024}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2024:023