面向带电梯的多代理路径查找的冲突基搜索
计算机视觉与模式识别
2026-03-03 v2
摘要
医学图像分割在临床决策中发挥着关键作用，使病灶的精确定位成为可能，并指导干预措施。尽管分割精度取得了显著进步，但大多数深度模型的黑箱特性在高风险医疗场景中引发日益担忧。当前解释技术主要聚焦于分类任务，留下了分割领域相对不被探索。我们引入一种用于分割任务的解释模型，采用因果推断框架并反向传播平均处理效应（ATE）以确定输入区域及网络组件对目标分割区域的影响。通过在两个代表性医学影像数据集上与最新分割可解释性技术进行比较，我们证明了该方法比现有方法提供更可靠的解释。此外，我们利用该方法对多个基础分割模型进行系统性因果分析，揭示了不同模型之间感知策略的显著差异，甚至同一模型在不同输入下的差异。表明该方法有望为优化分割模型提供重要见解。我们的代码可在 https://github.com/lcmmai/PdCR 查阅。
引用
@article{arxiv.2602.20511,
title = {Leveraging Causal Reasoning Method for Explaining Medical Image Segmentation Models},
author = {Limai Jiang and Ruitao Xie and Bokai Yang and Huazhen Huang and Juan He and Yufu Huo and Zikai Wang and Yang Wei and Yunpeng Cai},
journal= {arXiv preprint arXiv:2602.20511},
year = {2026}
}
备注
Preprint