跳到正文
arXiv · 机器人与计算机视觉· Samuel Thomas, Daniel Tweneboah Anyimadu, Ahmed Karam Eldaly, Somaia Elsheikh, Mohammed M. Abdelsamea·· 17 天前精选AI 评分78

病理图像分割的因果依赖评分:一种基于受控干预的评估框架

Measuring What Matters: A Causal Reliance Score for Histopathology Image Segmentation

AI 导读

针对病理图像分割中模型过度依赖背景虚假相关的问题,本文提出了一种基于受控干预的因果依赖评分(CRS)指标。该方法通过设计作为隐式反事实干预的数据增强策略,量化模型预测对前景组织扰动与背景/域变化的相对敏感度。研究证明该框架能揭示标准 Dice 或 IoU 指标无法捕捉的行为差异,旨在为开发临床鲁棒的医学图像分割系统提供审计工具。

推荐理由

提出因果依赖评分指标,通过受控干预评估病理图像分割模型对前景与背景的敏感度差异。

来源:arXiv · 机器人与计算机视觉 · arxiv.org