論文の概要: XAI-Driven Diagnosis of Generalization Failure in State-Space Cerebrovascular Segmentation Models: A Case Study on Domain Shift Between RSNA and TopCoW Datasets

• arxiv url: http://arxiv.org/abs/2512.13977v1
• Date: Tue, 16 Dec 2025 00:34:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-17 16:49:26.527569
• Title: XAI-Driven Diagnosis of Generalization Failure in State-Space Cerebrovascular Segmentation Models: A Case Study on Domain Shift Between RSNA and TopCoW Datasets
• Title（参考訳）: 状態空間脳血管セグメンテーションモデルにおけるXAIによる一般化失敗の診断:RSNAとTopCoWデータセットのドメインシフトを事例として
• Authors: Youssef Abuzeid, Shimaa El-Bana, Ahmad Al-Kabbany,
• Abstract要約: 我々は、最先端状態空間モデル(SSM)の一般化失敗を診断するための厳密で二相的なアプローチを提案する。 そこで本研究では,アテンションマップとグラウンド・トゥルース・セグメンテーションの重なり合いを計測することにより,モデルの焦点を定量化した。 本分析は,ターゲット領域の真の解剖学的特徴を放棄したアテンション機構のため,モデルが一般化しなかったことを証明している。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The clinical deployment of deep learning models in medical imaging is severely hindered by domain shift. This challenge, where a high-performing model fails catastrophically on external datasets, is a critical barrier to trustworthy AI. Addressing this requires moving beyond simple performance metrics toward deeper understanding, making Explainable AI (XAI) an essential diagnostic tool in medical image analysis. We present a rigorous, two-phase approach to diagnose the generalization failure of state-of-the-art State-Space Models (SSMs), specifically UMamaba, applied to cerebrovascular segmentation. We first established a quantifiable domain gap between our Source (RSNA CTA Aneurysm) and Target (TopCoW Circle of Willis CT) datasets, noting significant differences in Z-resolution and background noise. The model's Dice score subsequently plummeted from 0.8604 (Source) to 0.2902 (Target). In the second phase, which is our core contribution, we utilized Seg-XRes-CAM to diagnose the cause of this failure. We quantified the model's focus by measuring the overlap between its attention maps and the Ground Truth segmentations, and between its attention maps and its own Prediction Mask. Our analysis proves the model failed to generalize because its attention mechanism abandoned true anatomical features in the Target domain. Quantitative metrics confirm the model's focus shifted away from the Ground Truth vessels (IoU~0.101 at 0.3 threshold) while still aligning with its own wrong predictions (IoU~0.282 at 0.3 threshold). This demonstrates the model learned spurious correlations, confirming XAI is a powerful diagnostic tool for identifying dataset bias in emerging architectures.
• Abstract（参考訳）: 医用画像における深層学習モデルの臨床的展開は、領域シフトによって著しく妨げられている。 高いパフォーマンスのモデルが外部データセットで破滅的に失敗するこの課題は、信頼できるAIにとって重要な障壁である。 これに対処するためには、単純なパフォーマンスメトリクスを越えて理解を深める必要があり、医療画像分析に不可欠な診断ツールとして説明可能なAI(XAI)が提供される。 SSM(State-the-the-art State-Space Models)の一般化失敗,特にUMamabaを脳血管のセグメンテーションに適用するための厳密な2段階的アプローチを提案する。 われわれはまず,音源(RSNA CTA Aneurysm)とターゲット(TopCoW Circle of Willis CT)の領域ギャップを定量化し,Z分解能と背景雑音に有意な差があることを指摘した。 その後、Diceスコアは0.8604(ソース)から0.2902(ターゲット)に急落した。 第2フェーズでは、私たちのコアコントリビューションであるSeg-XRes-CAMを使用して、この障害の原因を診断しました。 そこで本研究では,アテンションマップとグラウンドトゥルースセグメンテーションと,アテンションマップと独自の予測マスクとの重なりを計測することにより,モデルの焦点を定量化した。 本分析は,ターゲット領域の真の解剖学的特徴を放棄したアテンション機構のため,モデルが一般化しなかったことを証明している。 定量的な測定により、モデルの焦点がグラウンド・トゥルース(IoU~0.101、0.3しきい値)からずれていることが確認され、同時に自身の誤った予測(IoU~0.282、0.3しきい値)と一致している。 これは、XAIが新興アーキテクチャにおけるデータセットバイアスを識別するための強力な診断ツールであることを確認した。

関連論文リスト

• Towards Explainable Skin Cancer Classification: A Dual-Network Attention Model with Lesion Segmentation and Clinical Metadata Fusion [1.503974529275767]
  本稿では,皮膚病変の分類を精度と解釈性の両方の観点から向上させる,二重エンコーダアテンションに基づくフレームワークを提案する。 Dual Attention Gates (DAG) と Atrous Space Pyramid Pooling (ASPP) を用いた新しいDeep-UNetアーキテクチャが最初に採用されている。 我々は,HAM10000データセットとISIC 2018と2019の課題に対するアプローチを評価した。
  論文  参考訳（メタデータ） (2025-10-20T17:33:51Z)
• EffNetViTLoRA: An Efficient Hybrid Deep Learning Approach for Alzheimer's Disease Diagnosis [2.220152876549942]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、世界の神経変性疾患の一つ。 EffNetViTLoRA は Alzheimer's Disease Neuroimaging Initiative (ADNI) Magnetic Resonance Imaging (MRI) データセットを用いたAD診断のエンドツーエンドモデルである。
  論文  参考訳（メタデータ） (2025-08-26T18:22:28Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Augmentation-based Unsupervised Cross-Domain Functional MRI Adaptation for Major Depressive Disorder Identification [23.639488571585044]
  メジャー・うつ病(Major depressive disorder、MDD)は、一般的に人の気分、認知、行動、身体的健康に影響を及ぼす一般的な精神障害である。 本研究では,MDDの自動診断のための拡張型非教師付きクロスドメインfMRI適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-31T13:55:33Z)
• Diagnosing Human-object Interaction Detectors [42.283857276076596]
  本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。 我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
  論文  参考訳（メタデータ） (2023-08-16T17:39:15Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。