医学图像归因的反事实 GAN
计算机视觉与模式识别
2026-05-08 v1
摘要
对图像进行归因化可提供洞察输入图像中影响特定类别分类或像素向特定类别倾斜的对象的信息。这些洞察帮助放射科医生可视化医学成像中的畸形。大多数现有可视化技术基于判别模型，仅标记输入图像中参与分类器决策的区域。然而，这些方法未能考虑所有显著对象，因为其目标是通过最小化判别性特征集合来分类输入。为克服此问题，提出一种基于反事实解释 (CX) 的面向类别的特征归因方法。反事实解释 (CX) 解释形式为：'如果 X 没有发生，那么 Y 将不会发生'。该方法建立在生成对抗网络 (GAN) 上，采用循环一致损失函数。我们在三个数据集上评估了该方法：合成数据、肺结节和 BraTS。所有实验均确认所提方法的有效性。本研究还指出了现有反事实解释技术在生成合情不违的反事实实例 (CI) 方面的局限性。将 CX 与可信 CI 结合提供了自我解释的类比式解释。为此，提出了 CI 生成方法。还使用一种新技术评估 CI 的质量。BraTS 数据集上的基线结果已提供。
引用
@article{arxiv.2605.05283,
title = {Seeing What Shouldn't Be There: Counterfactual GANs for Medical Image Attribution},
author = {Shakeeb Murtaza},
journal= {arXiv preprint arXiv:2605.05283},
year = {2026}
}