説明可能性に基づく解析による腹部大動脈瘤（AAA）セグメンテーションにおけるモデル失敗の解剖

Abstract

複雑な腹部大動脈瘤（AAA）の計算機断層撮影（CT）画像のセグメンテーションは、モデルが無関係な構造に対して内部の焦点を割り当ててしまう、または薄く低コントラストのターゲットに焦点を当てられないことが多いため、しばしば失敗します。モデルがどこを見ているかが主要な学習信号であることから、我々は説明可能なAI（XAI）に導かれたエンコーダ形状（shaping）フレームワークを提案します。我々の手法は、最終エンコーダブロックから密な帰属（attribution）ベースのエンコーダ焦点マップ（「XAIフィールド」）を計算し、それを2つの補完的な方法で用います：（i）予測確率の質量をXAIフィールドに整合させ、焦点と出力の一致を促進すること；および（ii）フィールドを軽量な改良（refinement）経路と信頼度（confidence）事前情報に導入し、推論時にロジットを調整して、微細な構造を保持しつつ、注意を逸らす要素（distractor）を抑制すること。目的関数の項は制御信号としてのみ機能します。貢献は、帰属誘導を表現とデコードに統合する点にあります。失敗しやすいシナリオに向けて選別された、臨床的に検証済みの困難なケースで評価します。ベースとなるSAMのセットアップと比較すると、本実装は大幅な改善をもたらします。観測された改善は、XAIガイダンスによってエンコーダの焦点を明示的に最適化することが、複雑な状況における信頼性の高いセグメンテーションのための実用的かつ有効な原則であることを示唆しています。