Med-SegLens

Med-SegLens框架增强了医学图像分割模型的可解释性

研究人员开发了Med-SegLens，一个旨在提高医学图像分割模型可解释性的框架。该系统使用稀疏自编码器将模型激活分解为可理解的潜在特征，从而能够诊断分割失败并缓解数据集偏移。通过对不同架构和数据集的潜在表示进行对齐，Med-SegLens识别出驱动错误的共享特征和特定于人群的特征。该框架证明了这些潜在特征是分割失败的因果瓶颈，并且在此级别进行干预可以在无需完全重新训练的情况下纠正错误并改进跨数据集适应性，显著提高了失败案例的Dice分数。